الگوريتم ژنتيك آشوب گونه مبتني بر حافظه و خوشه بندي براي حل مسائل بهينه سازي پويا

Chaotic genetic algorithm based on clustering and memory for solving dynamic optimization problems

اكثر مسائل موجود در دنياي واقعي يك مسئله بهينه­سازي با ماهيتي پويا هستند، به‌طوري‌كه مقدار بهينه سراسري آن­ها در طول زمان ممكن است تغيير كند، بنابراين براي حل اين مسائل الگوريتم­هايي نياز داريم كه بتوانند خود را با شرايط اين مسائل به­خوبي سازگار نموده و بهينه جديد را براي اين مسائل رديابي نمايند. در اين مقاله، يك الگوريتم ژنتيك آشوب­گونه مبتني بر خوشه­بندي و حافظه براي حل مسائل پويا ارائه شده است. يك سيستم آشوب­گـونه پيش­بيني دقيق­تـري از آينده نسبت بـه يك سيستم تصادفي دارد و ميزان همگرايي را در الگوريتم افزايش مي­دهد. به‌طور معمول استفاده از اطلاعات گذشته اجازه مي­دهد الگوريتم به­­سرعت بعد از تغيير محيط به سازگاري در شرايط محيطي جديد برسد، بنابراين ايده موردنظر در اين زمينه، استفاده از يك حافظه است كه با استراتژي مناسبي اطلاعات مفيد گذشته را ذخيره نموده و براي استفاده مجدد آن­ها را بازيابي مي­نمايد. خوشه­بندي در حافظه و جمعيت اصلي، تنوع را در حين اجراي الگوريتم با تبادل اطلاعات ميان خوشه­هاي متناظر (خوشه­ها با برچسب شبيه به­هم) در حافظه و جمعيت اصلي حفظ مي­نمايد. به‌طوركلي در اين روش پيشنهادي دو جنبه نوآوري اساسي پيشنهاد شده است. يكي روش خوشه­بندي استفاده‌شده كه هم جمعيت اصلي و هم جمعيت حافظه را خوشه­بندي (خوشه­بندي مبتني بر ميانگين) مي­كند و ديگري راهكار مناسبي است كه براي به­روزرساني حافظه استفاده شده است. براي آزمايش كارايي روش پيشنهادي از مسئله محك قله­هاي متحرك استفاده شده كه رفتاري شبيه به مسائل پويا در دنياي واقعي را شبيه­سازي مي­كند. نتايج آزمايش­ها كارايي مناسب روش پيشنهادي را در حل مسائل بهينه­سازي پويا در مقايسه با ديگر روش­ها نشان مي­دهد.

Most of the problems in the real world are of dyanamic optimization ones. It means that their optima may change over time, thus algorithms to solve these problems must be well adapt to their conditions in such a way that they should be able to track the optima during evolution. This article proposes a chaotic genetic algorithm based on clustering and memory for solving dynamic optimization problems. A chaotic system has more precise prediction of the future in comparison with random system and increases the speed of convergounce in the algorithm. The utilization of some information from the past allows quickly adapting right after a change. Thus the underlining idea of the paper is the use of memory in this field, which is a good strategy to store the useful information and retrieves them for reuse in the future. The clustering method maintains diversity in the memory and the population during running of the algorithm by exchanging information between corresponding clusters (clusters with similar tag) of the memory and the population. This algorithm uses a k-means clustering method to maintain diversity and improve local search. In this paper used tow the main innovation: clustering method and memory update. To test the effectiveness of the proposed method we choose the Moving Peaks Benchmark that has similar behaviors to real world dynamic proplems. The experimental results show the efficiency of the proposed algorithm for solving optimization problems in comparison with other methods.