شبیه سازی بهینه و ارائه الگوریتم BA

صفحه 1:
درس شبیه سازی 1 4 ارائه دهنده:هدی فتحی و پاییز 89 

صفحه 2:
4S) ‏مقدماتی در مورد شبیه‎ " 5 1 5 ‏زى بهينه‎ J J. 5 ) . مثال 

صفحه 3:
مقدماتی در مورد شبیه سازی هدف بهترین ترکیب متغیر برای استفاده به عنوان ورودی یک مدل شبیه سازی است . ‎generation counter=0 : 1 25‏ قدم 2 :تشکیل جمعبت اولیه برای شبیه سازی قدم9 : آرزیابی برازندگی جمعیت با اجرای شبیه سازی قدم؟) : تولید نسل بعدی قدم 0 : ایجاد ترکیب بعدی بوسیله الگوریتم بهینه سازی(بازترکیب : ارزیابی ترکیب بدست امده به وسیله شبیه سازی قدم8» : چک کردن شرط خاتمه و توقف یا بازگشت به قدم8) Toput | Simulation | Output [ Optimization tL —»| ۵ Strategy 

صفحه 4:
1- رتبه بندی و انتخار 2- جستجو مبنی بر 3- تخمین احتمالی 4- متدولوژی پاسخ سر 5- بهینه سازی مسیر نم 6- روش های ابتکاری 7-روش های مبنی بر مه 8- روش های ترکیبی 

صفحه 5:
با توجه به روش های گفته شده در شبیه سازی بهینه الگوریتم 03 روشی مبنی بر مدل است ‎eles aS‏ هدف حاصل از شبیه سازی به ‎ae‏ ‏ورودی وارد اين الگوریتم شده و آن را بهینه می سازد. 

صفحه 6:
محققان علاقه مند به تولید الگوریتم های جستجویی هستند که بتوانند جواب های بهینه را در زمان معقولی بدست اورند. الگوریتم بر مبنای جمعیت ((50۸ یک الگوریتم ‎oe‏ توانادر تعیین محل جواب های مناسب می شد . الكوريتم مى تواند در زمره ابزارهاى بهينه سازى هوشمند قرار كيرد. 

صفحه 7:
مس ‎Cen pier‏ ونم ها متدهایی الهام گرفته از ۳ هستند که ما را به سمت جواب ب های بهینه می تفاوت ميان اين الكوريتم ها و الگورتم های جستجوی مستقيم مانند بالارفتن از تيه در اين است که 50۸۵ ها به جای یک حل منفرد مجموعه ای از حل ها را در ‎sf‏ میگیرند. همانطور که یک جمعیتی از جوابها در هر تکرار بررسی می شود ,خروجی هر تکرار نیز یک جمعیت از وا ها 

صفحه 8:
ارتش‌5لا از اين الگوریتم ها در کنترل ماشین های ازتش استفاده می کند. ۱۵5۸ ب راعنقشه هاعن‌جوماز لین‌روش‌لستفاده مئكند . برخى محققان استفاده از اين متدها را جهت داده كاوى بيشنهاد مى كنند. 

صفحه 9:
منا لهايئاز ‎SOA‏ Genetic Algorithm (GA) Particle Swarm Optimization (PSO) Algorithm Ant Colony Optimization (ACO) Algorithms, -such as AS, ACS, MMAS, etc Bees Algorithm (BA) or Honey Bee Algorithm Termite Algorithm Other SOAs ... 

صفحه 10:
eel reed DEST SE CTS | Roe eae Stirs) كنند الگوریتم زنبور عسل زنبورها در طبیعت 

صفحه 11:
گلها با گردافشانی و شهد کمتر که باتلاش کمتری قابل جمع اوری هستند توسط زنبورهای بیشتری بازدید می شوند در حالی که گلها با شهد کمتر تعداد زنبور کمتری در اطراف خود جمع می کنند. 

صفحه 12:
زنبورهای دیده بان به صورت رندوم از گلزاری ۲ زار ديكر حركت مى کنند 

صفحه 13:
زنبورهایی که به کندو بازمی گردند براساس معیار مشخصی گلزارهای مختلف را ارزیابی می کنند. ‎a 6‏ ز معیارها از قبیل میزان شکر و .. 2 

صفحه 14:
Dancefloor - 

صفحه 15:
زنبورها از طریق این رقص ‎ely‏ های زیر را دریافت می کنند : مسیر گلزارها فاصله از کندو ‎UP i‏ رتبه بندی کیفیت برازندگی ین اطلاعات زنبورهای پیرو را ب ۵ سمت گلزار می فرستد. 

صفحه 16:
بیشتر زنبورهای پیرو به دنبال زنبور رقصنده به سمت گلزارهایی می روند که امید بیشتری برای یافتن نکتار در گروه انها وجود دارد. وقتی زنبورها به سمت ناحیه ای مشایه بروند دوباره په صورت رندوم در گلزار پراکنده می شوند و دوباره به هنگام بازگشت به کندو رقص چرخشی انجام مى رسب رتبورهاى ببشترى ۱۱۲۰۰۲۱۱ مى كنند. بيشتر زنبورها به كلزارهايى با ميزان نكتار بيشتر مى روند. 

صفحه 17:
بنابراین بر اساس برازندگی گلزار می تواند ‎glee.‏ از زنبور یا متروک گردد 

صفحه 18:
(Lousich and Teodorovich) ‏الگوریتم زنبورها الهام گرفته از زنبورها در طبیعت‎ 

صفحه 19:
مقداردهی اولیه جمعیت ارزیابی برازندگی جمعیت 6 (هنگامی كه به شرط توقف نرسیده ایم) شکل دهی جمعیت جدید انتخاب مکان هایی جهت جستجوی همسایگی فرستادن زنبورها به سمت مکان های انتخاب شده و ارزیایی برازندگی تخاب شایسته ترین زنبور هر گلزار فرستادن زنبورهای باقیمانده جهت جستجوی تصادفی وارزیابی برازندگی انها ‎End while‏ 

صفحه 20:
ال نم 9۸ برای اجرا به یک سری پارامتر نبا ۱۰۲۱ کارت اند از : تعداد زنبورهای دیده بان ۲ . تعداد مکان های انتخاب شده ۲۱ تعداد مکان های برگزیده ‎e‏ تعداد زنبورهای فرستاده شده به بهترین مکان۱60 يا02 تعداد زنبورهای فرستاده شده به ۲۱-6 مکان دیگرم5 ‎nib‏ . اندازه اولیه گلزارها 01 كه شامل مکان و همسایگی ان است . تعداد تکرار مراحل الگوریتم«2 [ 

صفحه 21:
Initialise a Population of m Scout Bees 1 Evaluate the Fitness of the Population Select m Sites for Neighbourhood Search Determine the Size of Neighbourhood (Patch Size ngh) 1 yeas Recruit Bees for Selected Sites (more Bees for the Best e Sites) 1 Select the Fittest Bee from Each Site Assign the (n-m) Remaining Bees to Random Search New Population of Scout — 

صفحه 22:
1- الگوریتم با " زنبور دیده بان که به طور تصادفی در فضای جستجو قرار می گیرند شروع می شود (برای منال۴<100) 2- برازندگی مکان های دیده شده به وسیله زنبورهای دیده بان بعد از برگشت در مرحله 2 ارزیابی می شود ارزیابی 0 زنبور دیده بان در جدولی همانند جدول زیر ذخیره می شود. سپس جدول براساس ارزیابی از مقدار بزرگتر به 0 | 99 یت یت .۱ 6 5 4 ق ور ۲ 2096]50966096]3090]8096110961 ... | ... | ... 0 

صفحه 23:
۰-3 ۲۱ مکان بهترین انتخاب می شوند(ارزش گذاری به 0 زنبور دیده بان از تا) (براى مثال5-10 ) ‎See‏ ‏انتخاب مى كنيم (زنبور ديده بان) از ميان ما ‎al‏ ‏صورت تصادفى انتخاب مى شوند. ‎m-e=10-2=8 pw e=2 Jlio sly‏ 1 2 3 4 5 6 7 8 9 ۱ ۵ 8096| 7896| 7596| 7296 6996| 6696 6596| 6096 40 

صفحه 24:
4- يى مسايكى مکان جستجو به وسعت ۱0۳۱ انتخاب می شود که ‎wo pS update sly‏ ۲۱ زنبور اظهار شده در مرحله قبل لازم است. 

صفحه 25:
5-فرستادن زنبورها به مکان های انتخاب شده و ۲ برازندگی مکان ها تعداد ۱2 زنبور به صورت تصادفی انتخاب شده و به 6 مکان فرستاده می شوند.(۱2<40 ( تعداد ۱1 زنبور به صورت تصادفی انتخاب شده که تعداد انها از ۱2 کمتر است که به ۲۱-6 مکان فرستاده شوند(۱1<20) 

صفحه 26:
6- انتخاب بهترین زنبور از هر مکان (بیشترین برازندگی)برای شکلدهی جمعیت بعدی اين موضوع در طبیعت وجود ندارد = بهترين زنبور هر مکان از مکان به صورت زیر انتخاب می شود. لسر مكان انتخاب خواهد شد (برای مثال یک ۰ از » مکان( جدول شامل ‎n2=40‏ زنبور ساخته خواهد شد که ارزش هر زنبور مساوی ارزش زنبور دیده بان اصلی است با مقدار کمی تعدیل بسته به همسایگی ۱0۲ 

صفحه 27:
اطلاعات از 40 زنبور گرفته شده و با تابع برازندگی ارزیابی می شود. تتایج در جدولی موقتی ذخیره خواهند شد . جدول 40 79.2% مرتب شده و بهترین مقدار 3 79.9% نتخاب می شود. 2 2% ‎Bales‏ رای ۲ مکان تکرار می شود. ‏در اخر ما ‏جدول ‏100 ‎ ‏بهترین زنبورها 210 را خوا ‏قرار می گیرند.(۴۶100) ‎111 ... ] 9 ‎ ‎ ‎ ‎10 ‎58.2 ‎% ‎ ‎6 ‎67 ‎% ‎ ‎ ‎70 ‎% ‎ ‎1 ‎82% 81 ‎ ‎ ‏هيم كرفت كه در ابتداى ‎82| 79| 77| 3 ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 28:
7- جمعیت اغازین جدید: زنبورهای باقیمانده در جمعیت باید به طور تصادفی به اطراف فضای جستجو فرستاده شوند (مقادیر از 100 1 تا 59 0 در جدول قبلى) 11 Random values 10 58.2 % 67% 70% 73% 771% I82%|79% 

صفحه 29:
8- شمارنده حلقه افزايش می یابد مراحل 2 تا7 تا رسیدن به شرط توقف تکرار می شوند (انتهای ‎(imax=1000Jlic slu)(imaxb LS ojlow‏ در انتهای هر تکرار ,جمعیت 2 قسمت خواهد شد . نمایندگان هر جمعیت جدید از هر گلزار انتخاب شده و زنبورهای دیده بان دیگر برای انجام جستجوهای تصادفی ماموریت می يابند. 

صفحه 30:
مثال استفاده ازم8 رابرای بدست اوردن بیشترین مقدار یک تابع ریاضی نشان مي دهد.(بهینه تابعی) که اين تابع از شبیه سازی بدست آمده است. 1 

صفحه 31:
Graph 1. Initialise a Population of (n= 10) Scout Bees with random Search and evaluate the fitness. 31 

صفحه 32:
2- ارزیابی برازندگی جمعیت جدولی از 10 مقدار ساخته می شود وبه صورت نزولی از بیشترین مقدار۷ا به کمترین مقدار مرتب می 

صفحه 33:
۲۱-3 مکان بهترین انتخاب می شود (بهترین براورد ۲ مکان از ‎(m=5,e=2,m-e=3)(ulSo n‏ 7 m Graph 2. Select best (m=5) Sites for Neighbourhood Search: (e=2) elite bees “=” and (m-e=3) other selected bees“n” 

صفحه 34:
Graph 3. Determine the Size of Neighbourhood (Patch Size ngh) 

صفحه 35:
کا ۵ یبای y Ye ‏و‎ ۲ Graph 4. Recruit Bees for Selected Sites (more Bees for the e=2 Elite Sites) 35 

صفحه 36:
6- انتخاب بهترین زنبورها از هر مکان (بیشترین برازندگی)برای شکل دهی جمعیت جدید Graph 5. Select the Fittest Bee * from Each Site 36 

صفحه 37:
Graph 6. Assign the (n-m) Remaining Bees to Random Search 

صفحه 38:
9 حلقه افزایش می یابد ومراحل2 ۶ 7 تکرار می شودتا زمانی که به شرط توقف برسیم (شماره تکرار ‎(Iriel‏ ( 5 ونا Graph 7. Find The Global Best point 38 

صفحه 39:
بف سسااه ‏ یک تعداد از کارها باید بدون وقفه در یک ماشین انجام شود . همه مشاغل در زمان صفر در دسترس اند و هر کدام زمان اجرای خود را دارند (01) و نیاز به دقیقا یک عملیات دارند . 2032020202 اكر زمان اتمام ‏ از کار ز کوچکتر یا مساوی با موعد مقرر (سررسید)0 آن باشد زودی کار برابر است بال-0-زع 

صفحه 40:
اگر زمان اتمام از کار ز بزرگتر ازموعد مقرر (سررسید)0 آن باشد تاخیرکار برابر است باه-ع[]" بيدا 05 بك نوالى 5 از كار است يه طورى كه ۳۰ جريمه زودى و تاخير انجام یک کار را ۲۱۱0 كند. 8.3 + هع . به) 8 - رو)ع به طورى كه 0 و 8 به ترتيب جريمه زودى و تاخير در واحد زمان مى باشند. 

صفحه 41:
««ه. : تعیین برنامه زمان بندی کامل عملیات تعیین شده در مساله * فرض می کنیم هر راه حل به عنوان یک مسیر از کندو به منبع تغذیه می باشد. انانب اسر ها * زنبورها با بهترین ۲۱۵۱6۵508۲ احتمال بیشتری برای اضافه کردن راه خود به لیست حل های برگزیده خواهند داشت . 0 : تفاونومانب ین‌شروع و پایانیکت ولاز عملیاللف اصله و شیرینوشهد) 

صفحه 42:


صفحه 43:
پارامترهای الگوریتم8۸ ‎Parameters‏ حاك ال ‎When the number of jobs n is less than 1 100, b =2n. Population b Otherwise, b = 400 200 Number of selected sites | m 100 Number of elite sites e 6 Initial patch size ngh 50 Number of bees around nep elite points Number of bees around a other selected points hep ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 44:
مساله زمان بندی یک ماشین d=round[SUM p*h] h=0.2,0.4,0.6,0.8(restrictive factor) Sum p= sum of processing time A aVQ=>{[(Fea-Frer)/Frer]*100}/R Fea=fitness function value generated by the bees algoritm Frer= fitness function value generated by Biskup and feldman R=total number of run 

صفحه 45:
Minimum deviation ت21 ]۱1۱ 0 ” 0۳50] 5 ” | 50| 15 | ۸ 1101 | Bees 0.00_| 5 To | 0.00 0.05 | 0.01 | 0.00 “3.84 | 3.84 20 | 2 0.68 | 0.71 | -0.72 2 50| 0634| -032 | 031 | 9 Too | ‏]کل‎ -o01 | -0.12 | 5.76 200 | -0.15| -0.01 | -0.13 642 [6.41 500 | 0.11] 025] 0.1 | 000 | -6.76 | -6.73, 1.000 | -0.06 | ۱0۱ | - 5 ۳7 ‏)افك لص‎ 491 Ave_| 0221 00-01 0.05 1۳1 5 00 " | 55506 | GA Bees : PSO 15 ۸ | 1116 | 1101 ] ۵۵ 10] 0.00] 0.19 0.00 30 | 0.00] 0.00] 0.00 | 0.00] 0.00] 0.00 20 [0.81 | 0.41 | -0.28 041 | 0.41 50| 0.24] -0.26 [0.19 “0.23 | 24 100] 018 | -0.15 | -0.12 0.۱۱ | 8 200 015 | _ 0:04 | -0.14 0.07 | 5 500] 0.11 | 021 | 1 3 0۱3 | 1 000 | -0.06 | 1.13 | -005 | 1.28 [0.40 | -0.05 “0.16 | 0.07 | -0.13 | 022 | -0.02 | 6 DPSO : Discrete Particle Swarm Optimization, TS : Tabu Search , GA : Genetic Algorithm, HTG : ‘Tabu Search + Genetic Algorithm, HGT : Genetic Algorithm + Tabu Search, Bees: Bees 45 

صفحه 46:
آموزش شبکه عصبی برای الگو شناسی ' زمان بندی کارها برای ماشین های تولیدی " دسته بندی اطلاعات 9 بازی طراحی اجزای مکانیکی بهینه سازی چند كانه ۰ میزان کردن کنترل کننده های منطق فازی برای ربات های ورزشکار 

صفحه 47:
منابع Zheng jun, Tan Yu-An, Zhang Xue-" An improved dynamic structure-based neural networks determination approaches to simulation optimization problems”, Verlag London Limited 2010 Pham DT, Ghanbarzadeh A. "Multi-Objective Optimization using the Bees Algorithm", Proceedings of IPROMS 2007 Conference Pham DT, Muhamad Z, Mahmuddin M, Ghanbarzadeh A, Koc E, Otri S. Using the bees algorithm to optimise a support vector machine for wood defect classification. IPROMS 2007 Innovative Production Machines and Systems Virtual Conference, Cardiff, UK. Pham DT, Koc E, Ghanbarzadeh A, and Otri S. Optimization of the weights of multi- layered perceptrons using the Bees Algorithm, Proc 5th International Symposium on Intelligent Manufacturing Systems, Turkey, 2006. Pham DT, Soroka AJ, Koc E, Ghanbarzadeh A, and Otri S. Some applications of the Bees Algorithm in engineering design and manufacture, Proc Int. Conference on Manufacturing Automation (ICMA 2007), Singapore, 2007. Pham DT, Ghanbarzadeh A, Koc E, and Otri S. Application of the Bees Algorithm to the training of radial basis function networks for control chart pattern recognition, Proc 5th CIRP International Seminar on Intelligent Computation in Manufacturing Engineering (CIRP ICME '06), Ischia, Italy, 2006. Pham DT, Otri S, Ghanbarzadeh A, and Koc E. Application of the Bees Algorithm to the training of learning vector quantisation networks for control chart pattern recognition, Proc Information and Communication Technologies (ICTTA'06), Syria, p.. 1624-1629, 2006. 

صفحه 48: