المیرا خانبابایی

One of the popular algorithms in evolutionary computation literature is Genetic Algorithms for solving the optimization problems with discrete or continuously structured solution space. The GA aims to develop solutions using the natural selection, reproduction and mutation operators on the populations of individuals. As the population improves from generation to generation, bad solutions tend to disappear, and good solutions tend to be used to create better solutions because the selection mechanisms defined in GA. Crossover techniques commonly used in the literature for reproduction are single-point, two point .and uniform types

یکی از الگوریتمهای مشهور در ادبیات محاسبات تکاملی برای حل کردن مسائل بهینه سازی با فضای راه حل ساختار یافته ی پیوسته یا گسسته الگوریتمهای ژنتیک است. اهداف GA، بهبود راه حل های استفاده از تولید مثل انتخاب طبیعی، عملگرهای تولید مثل و جهش در جمعیتی از افراد است. برای بهبود جمعیت از نسلی به نسل دیگه، راه حل های بد تمایل به ناپدید شدن دارند و راه حل های خوب تمایل به عادت به ایجاد راه حل های بهتر دارند چونکه مکانیزم انتخابی تعریف شده در GA است. روشهای crossover معمولاً در ادبیات تولید مثل،ا نواع یک نقطه ای، دو نقطه ای و یکنواخت هستند.

The concept of stigmergy was first introduced by Grassé in 1959 in the field of entomology. One of the purpose of his work, is to find out how the simple individuals of termites are able to create the grand termite mounds. The French biologist Grassé stated that termites tended to follow very simple rules when constructing their nests. The actions of termites are not coordinated from the beginning to the end with any purposive plan. They exhibit simple behavior depending on the immediate situation of the environment. This instant behavior is called stigmergy by Grassé. This behavior is not only observed in termites, but also in ants, bees and many others. In this context, we propose a novel binary approach for AAA algorithm with stigmergic behavior. In this approach, information of the actions performed in the past (?01 and ?10 counters) are used to guide the movements to be performed in the future. Briefly, the information obtained from the processed solution on the problem guides the behavior of algae colonies in the proposed algorithm

مفهوم نشانه ورزی اولین بار توسط Grassé در سال 1959 در زمینه ی حشره شناسی معرفی شد.یک هدف از این کار کشف این است که چگونه موریانه های ساده قادر به ایجاد تپه های موریانه ای بزرگ هستند. زیست شناس فرانسوی Grassé اعلام کرد موریانه ها هنگام نصب لانه ها قوانین بسیار ساده ای را دنبال می‌کنند . اقدامات موریانه ها از ابتدا تا انتها با هیچ طرح هدفمند هماهنگ نیستند. آنها رفتار ساده را بسته به شرایط فوری محیطی نشان می دهد. این رفتار فوری توسط stigmergy، Grassé(نشانه ورزی) نامیده شده است . این رفتار فقط در موریانه ها مشاهده شده نیست بلکه در مورچه ها، زنبورها و بسیاری دیگر وجود دارد.در این متن ما یک رویکرد باینری جدید برای الگوریتم AAA با رفتار نشانه ورزی پیشنهاد میکنیم. اطلاعات از اقدامات انجام شده در گذشته(شمارنده های C01 وc10) برای هدایت حرکات که در آینده انجام میشود،استفاده می شود.به طور خلاصه اطلاعات به دست آمده از راه حل پردازش شده روی مسئله، رفتار کلونی های جلبکی در الگوریتم پیشنهاد شده را هدایت می‌کند.

The success of an algorithm does not depend on only self-behaviour and algorithmic design but it also depends on dimensionality and characteristics of the optimization problems. Genetic algorithm has a good global search capability and it can produce more quality results on the higher dimensional problems but this algorithm has poor local search or intensification capability. When the chromosomes gather on the similar point on the search space, the algorithm shows stagnation behavior instead of intensification, which is originated from the crossover operator. In order to overcome this problem, the mutation probability should be .tuned in accordance with the characteristics and dimensionality of the optimization problem This situation is clearly seen from the Table 1, 2, 3 and 4. In accordance with these tables, while the algorithm produces better or comparable solutions on the higher dimensional problems, the algorithm cannot produce good quality or comparable solutions on the lower dimensional problems. Our algorithm is better than the GAs in almost all cases because both exploration and exploitation are provided by binarization process and the origin of the algorithm. In contrast to the behavior GA, the PSO algorithm follows the best solutions (personnel and global) and this is useful behavior on the lower dimensional problems but on the higher dimensional problems, it gets stuck to local minimum because all the solutions including best solutions moves altogether and obtained solutions are similar to each other and exploration capability weakens. Therefore, this algorithm is good at solving lower dimensional problems. When we consider binary variants of AAA, it uses only the information in the population and produces competitive results on all the problems, except .CapA, CapB and CapC

موفقیت از یک الگوریتم تنها به رفتار خودی و طراحی الگوریتمی بستگی ندارد اما همچنین به ابعاد و ویژگی های مسائل بهینه سازی بستگی دارد.الگوریتم ژنتیک یک توانایی جستجوی عمومی خوب دارد و میتواند نتایج با کیفیت بالاتر در مسائل بعدی بالاتر تولید کند اما این الگوریتم جستجوی محلی ضعیف یا افزایش توانایی دارد. هنگامی که کروموزوم ها بر روی نقطه مشابه در فضای جستجو جمع می شوند، الگوریتم، رفتار رکود را به جای افزایش نشان می دهد،که از عملگر cross over سرچشمه میگیرد. به منظورغلبه بر این مشکل، احتمال جهش باید با توجه به ویژگی ها و ابعاد مشکل بهینه سازی تنظیم شده باشد.این وضعیت به طور واضح در جدول 3،2،1و4دیده میشود. مطابق با این جداول در حالی که الگوریتم راه حل های بهتر یا قابل مقایسه را در مسائل با ابعاد بالاتر تولید می کند، الگوریتم نمی تواند کیفیت خوب یا راه حل های قابل مقایسه را در ابعاد پایین تر تولید کند. الگوریتم ما تقریبا در تمام موارد بهتر از GAs است، چون هر دو اکتشاف و بهره برداری به وسیله ی پروژه ی باینری سازی و مبدأ الگوریتم فراهم کرده است. در مقابل رفتارGA، الگوریتم PSO بهترین راه حل ها را دنبال می کند(شخصی و عمومی) و این رفتار در مسائل ابعاد پایین تر مفید است اما در مشکلات ابعاد بالاتر، گرفتار مینیمم محلی می شود زیرا تمام راه حل ها شامل بهترین راه حل ها که همه با هم حرکت میکنند و راه حل های بدست آمده شبیه هم هستند و توانایی اکتشاف را ضعیف میکند.بنابراین این الگوریتم برای مسائل بعدی کمتر خوب است. هنگامی که ما انواع باینری AAA را در نظر می گیریم،تنها از اطلاعات موجود در جمعیت استفاده می کند و نتایج رقابتی را در مورد تمام مسائل به جز CapB ، CapA و CapC تولید می کند.