آموزش الگوریتم بهینه سازی ملخ GOA و پیاده سازی آن در متلب MATLAB
5 ساعت
4.7
بهینه سازی یکی از مسائل اصلی و حیاتی بشر محسوب می شود و از این رو الگوریتم های گوناگونی با رویکرد فراابتکاری (Metaheuristics) معرفی شده اند. الگوریتم بهینه سازی ملخ یا (Grasshopper Optimization Algorithm (GOA یکی از جدیدترین الگوریتم های فراابتکاری به شمار می رود. این الگوریتم در گروه الگوریتم های هوش جمعی قرار می گیرد و با الهام از رفتار اجتماعی ملخ ها و نحوه تاثیرپذیری هر ملخ از محیط پیرامونش طراحی شده است. در این الگوریتم به روز رسانی موقعیت هر ملخ به فاصله هر ملخ از تمام جمعیت ملخ ها در نسل جاری و موقعیت بهترین ملخ وابسته است. از ویژگی های این الگوریتم می توان به سادگی و دارا بودن فقط یک پارامتر تنظیم، اشاره کرد. نتایج حاصل از توابع محک گوناگون حاکی از عملکرد مطلوب الگوریتم در مقایسه با الگوریتم های مشابه است. در این آموزش به چندین محور از الگوریتم بهینه سازی ملخ (GOA) پرداخته شده است که محور اول آن مفاهیم مهم بهینه سازی و تاریخچه بهینه سازی هوشمند در 50 سال گذشته و در ادامه به دو خاصیت مهم Exploitation به معنی اکتشاف و Exploration به معنی استخراج، در الگوریتم های بهینه سازی هوشمند پرداخته شده است. محور دوم، بررسی کامل مفهوم و تئوری الگوریتم ملخ و نحوه مدل سازی حرکت ملخ ها برای حل مسائل بهینه سازی و پیاده سازی گام به گام الگوریتم ملخ در محیط نرم افزار متلب (MATLAB) است و در ادامه به نکات تکمیلی الگوریتم ملخ که از مهم ترین آن ها می توان به نمایش گرافیکی تغییر موقعیت ملخ ها در هر تکرار اشاره کرد که درک بهتری به مخاطب ارائه می دهد. در محور سوم به مقایسه استاندارد دو الگوریتم های فراابتکاری که به صورت نوعی الگوریتم ملخ GOA با الگوریتم ازدحام ذرات PSO به صورت استاندارد با هم مقایسه می شود و نکات لازم برای مقایسه ارائه شده است و در ادامه، از الگوریتم GOA برای حل مساله بهینه سازی پارامترهای طبقه بند SVM نیز استفاده شده است.
