Ant colony Optimization فصل سوم: مجموعه الگوریتم ‌های مورچگان

فصل سوم - مجموعه الگوریتم ‌های مورچگان

همان طور که در قبل نیز بدان اشاره شد، هر کدام از رویکردهای سنتی حل مسایل بهینه یابی نقاط ضعف خاص خود را داشته و نمی‌توان برای حل یک مسیله بهینه یابی ترکیبی به تنهایی به یکی از این رویکردها بسنده کرد. هر مسیله بهینه یابی که دارای تعداد متناهی جواب قابل قبول باشد، مسیله بهینه یابی ترکیبی نامیده می‌شود. به عنوان مثال، مسایل متغیر عدد صحیح صفر و یک از نوع مسایل بهینه یابی ترکیبی هستند.
برای حل این مسایل رویکردهای جدیدی ارایه شده اند که وجه تمایز این رویکرده ابا رویکردهای سنتی، ترکیبی بودن آن‌ها می‌باشدذ. در واقع رویکردهای جدید ترکیبی از نقاط قوت و رویکردهای سنتی همراه با برخی اجزای دیگر – به فراخور الگوریتم – می‌باشند. در این بخش کلیات مجموعه الگوریتم‌های بهینه یابی مورچگان به عنوان یکی از جدیدترین رویکردهای ابتکاری حل مسیله بهینه یابی مورد بررسی قرار می‌گیرد.
مجموعه الگوریتم‌های بهینه یابی مورچگان (ACO) جزو جدیدترین رویکردهای ابتکاری جهت حل مسیله بهینه یابی ترکیبی مشکل می‌باشند. این الگوریتم‌ها ترکیبی از محاسبات غیرمتمرکز، بازخورد مثبت و الگوریتم‌های ابتکاری ساخت گرا می‌باشند که هر کدام از این بخش ‌ها وظایف مشخصی را به عهده دارند.
بخش محاسبات غیر متمرکز الگوریتم‌های مورچگان، از هم گرایی سریع و گرفتار شدن الگوریتم در نقاط بهینه محلی جلوگیری می‌کند؛ بخش بازخورد مثبت، وظیفه شناخت و کشف سریع جواب‌های مناسب و خوب را به عهده دارد و الگوریتم‌های ابتکاری ساخت گرا نیز به دنبال یافتن جواب‌های اولیه شدنی هستند. ایده اصلی این مجموعه از الگوریتم ها، بر جا ماندن ماده فرمون به عنوان ردپا در دنیای مورچه‌های واقعی می‌باشد. مورچه‌ها از ماده فرمون به عنوان یک وسیله ارتباطی استفاده می‌نمایند. در واقع الگوریتم‌های بهینه یابی مورچگان بر مبنای ارتباط غیر مستقیم مجموعه ای مصنوعی به وسیله فرمون مصنوعی بنا نهاده شده اند که در این میان ماده فرمون وظیفه انتقال تجربه مورچه‌ها به یکدیگر بدون ارتباط مستقیم مورچه‌ها با هم راه به عهده دارد.
مجموعه کلیه الگوریتم‌هایی که از ایده مسیریابی مورچه‌های واقعی برای حل مسایل استفاده می‌نمایند، نظیر الگوریتم‌های AS، MMAS، ACS، Ant-Q و AntNet به الگوریتم‌های بهینه یابی مورچگان (ACO) معروف می‌باشند.
کاربردهای الگوریتم‌های مورچگان به دو دسته کلی مسایل بهینه یابی ترکیبی استاتیک (ایستا) و دینامیک (پویا) تقسیم می‌شوند. مسایل استاتیک مسایلی می‌باشند که ساختار آن‌ها در حین حل مسیله تغییر نمی‌کند؛ نمونه ای از این نوع مسایل مسیله فروشنده رهنورد کلاسیک متقارن می‌باشد که در آن موقعیت و فاصله بین شهرها در حین حل مسیله تغییر می‌کند؛ مسیریابی در شبکه‌های ارتباطی نمونه ای از این نوع مسایل می‌باشد که در آن بار ترافیک شبکه در حین حل مسیله متغیر می‌باشد. با وجود اختلاف ماهیت مسایل بهینه یابی ترکیبی ایستا و پویا، الگوریتم‌های مورچگان که برای حل این دو نوع مسیله مورد استفاده قرار می‌گیرد، بسیار شبیه می‌باشند. اخلاف این الگوریتم در نحوه پیاده سازی آن‌ها می‌باشد.
محدوده کاربرد مجموعه الگوریتم مورچگان بسیار وسیع می‌باشد. این مجموعه از الگوریتم‌ها می‌تواند برای حل تمام مسایل بهینه یابی گسسته مورد استفاده قرار گیرند.مسایل بهینه یابی گسسته، مسایلی هستند که فضای جواب آن‌ها گسسته می‌باشند. الگوریتم‌های مورچگان از پایداری زیادی برخوردار بوده و با تغییرات بسیار کمی می‌توانند برای انواع مختلف مسایل بهینه یابی مورد استفاده قرار گیرند. پایداری یک الگوریتم به میزان توانایی آن الگوریتم برای حل انواع مختلف مسایل بهینه یابی گفته می‌شود. الگوریتم پایدار، الگوریتمی است که تنوع و گوناگونی مسایل مورد حل از قابلیت الگوریتم نمی‌کاهد و متاثر از تغییرات پارامتریک مسیله نیست.
یکی دیگر از ویژگی‌های مهم الگوریتم‌های مورچگان چند کاربردی بودن آن‌ها می‌باشد. این الگوریتم‌ها می‌توانند برای ترکیبات مخلتفی از یک مسیله مورد استفاده قرار گیرند. چند کاربردی بودن یک الگوریتم براساس توانایی آن برای حل نسخه‌های مختلف یک مسیله مورد سنجش قرار می‌گیرد. به عنوان مثال می‌توان با تغییرات بسیار کمی الگوریتم مورچگانی که برای مس یله فروشنده رهنورد متقارن مورد استفاده قرار گرفته است را برای مسیله فروشنده رهنمود غیر متقارن نیز مورد استفاده قرار داد.

برای دریافت فایل کامل PDF مقاله روی لینک زیر کلیک کنید:
فصل سوم - مجموعه الگوریتم ‌های مورچگان