ارائه يك الگوريتم ژنتيك بهبود يافته براي بهينه سازي توابع عددي

EGA: An Enhanced Genetic Algorithm for Numerical Functions Optimization

بهينه سازي فرآيندي است كه مسائل را تا آنجائيكه امكان داشته باشد، به بهترين وجه ممكن كارآمدي در مي آورد. مسائل بهينه سازي در زمينه هاي مختلفي از قبيل اقتصاد، علوم، صنايع و مهندسي مورد استفاده قرار مي گيرد. رشد استفاده از الگوريتم هاي بهينه سازي بحدي رسيده است كه پژوهشگران در زمينه هاي مختلف ديگر از جمله فناوري خواهان استفاده از اين الگوريتمها نيز هستند. براي بهينه سازي مسائل، الگوريتم هاي زيادي معرفي شده اند ولي بدست آوردن نتايج با كيفيت و دقت بالا هنوز از چالشهاي پيش رو است. الگوريتم هاي فراابتكاري در مسائل بهينه سازي سخت، شناخته شده هستند. در اين مقاله براي بهبود كارايي الگوريتم ژنتيك (GA) بعنوان يك الگوريتم فراابتكاري، براي بدست آوردن نتايجي با كيفيت بالاتر در بهينه سازي توابع عددي دو عملگر جديد بنامهاي جستجوي قفل Nرقمي (NLS) و تلاقي دو نقطه حسابي ارائه شده است. عملگر NLS از الگوي قفل تركيبي N رقمي الهام گرفته شده است كه رفتار استثماري الگوريتم ژنتيك را با تنظيم بهترين راه حل جاري بهبود ميدهد و عملگر دوم با تكنيك هاي تلاقي دو نقطه و حسابي در جهت هدايت جستجوي كلي بهتر، تركيب و پردازش مي كند. الگوريتم ژنتيك بهبود داده شده (EGA) روي 33 تابع رياضي بعنوان توابع محك زن مورد تست و ارزيابي قرار گرفت. نتايج بدست آمده با برخي از الگوريتم هاي مبتني بر جمعيت مانند بهينه سازي ازدحام ذرات و الگوريتم كلوني زنبور عسل (ABC) و الگوريتم هاي مبتني بر يك جواب مانند الگوريتم شبيه سازي تبريد (SA) و جستجوي الگو (PS) و جستجوي گردابي (VA) مورد مقايسه قرار گرفت. نتايج نشان داد كه كارايي عملكرد الگوريتم EGA نسبت به بقيه الگوريتم هاي مورد مقايسه بهتر است. بعلاوه نتايج نشان داد كه الگوريتم EGA بهترين نقاط بهينه سراسري را تقريبا براي تمامي 33تابع مورد تست با استفاده از مقادير ثابت براي دو عملگر از سه عملگر موجود پيدا مي كند.

Optimization is the process of making something as good or effective as possible. Optimization problems are used over many fields such as economics, science, industry and engineering. The growing use of optimization makes it essential for researchers in every branch of science and technology. To solve optimization problems many algorithms have been introduced, while achieving a higher quality of results in terms of accuracy and robustness is still an issue. Metaheuristics are widely recognized as efficient approaches for many hard optimization problems. In this study, to achieve a higher quality of results in numerical functions optimization, two new operators named N-digit lock search (NLS) and Two-Math crossover are introduced to enhance the genetic algorithm (GA) as a widely used metaheuristic. The NLS operator is inspired by the N-digit combination lock pattern and enhances the exploitative behavior of the GA by calibrating the current best solution and the relatively new Two-Math crossover operator combines both two-point and arithmetic crossover techniques to guide the overall search process better. The proposed enhanced genetic algorithm (EGA) is tested over 33 benchmark mathematical functions and the results are compared to some population-based, particle swarm optimization (PSO2011) and artificial bee colony (ABC) algorithms, and single-solution based, simulated annealing (SA), pattern search (PS), and vortex search (VS). A problem-based test is performed to compare the performance of the algorithms, which results shows the proposed EGA outperforms all other algorithms, SA, PS, VS, PSO2011 and ABC. In addition, it surprisingly finds the global best points for almost all 33 test functions with a constant value for 2 out of 3 EGA operators