الگوریتم بهینه‌سازی مشارکتی کلونی مورچگان

چکیده

این مقاله الگوریتم بهینه‌سازی مشارکتی کلونی مورچگان پیوسته (CCACO) را ارائه داده و آن را در مسائل طراحی سیستم‌های فازی (FS) دقت‌‌گرا[1] به کار می‌گیرد. همه‌ی پارامترهای آزاد یک سیستم فازی تاکاگی- سوگنو- کانگ (TSK) مرتبه‌ی صفر یا یک از طریق CCACO بهینه می‌شوند. این الگوریتم از طریق چندین کلونی مورچه عمل بهینه‌سازی را انجام می‌دهد، که در آن هر کلونی تنها مسئول بهینه‌سازی پارامترهای آزاد یک تک‌قانون فازی است. کلونی‌های مورچه‌ها با هم مشارکت می‌کنند تا یک سیستم فازی کامل با یک بردار پاسخ کامل طراحی کنند (رمزگذاری یک سیستم فازی کامل) که از طریق انتخاب یک مولفه‌ی زیرپاسخ[2] از هر کلونی شکل می‌گیرد (رمزگذاری یک تک‌قانون فازی).

بیان مساله:

زیرپاسخ‌های هر کلونی مورچه به طور مجزا با استفاده از یک الگوریتم بهینه‌سازی کلونی مورچگان پیوسته و جدید تکامل می‌یابند. در CCACO، پاسخ‌ها از طریق تکنیک‌های انتخاب تورنمنتی مسیر مورچه بر اساس فرومون، عملیات پرسه‌زنی مورچه و پالایش جذب بهترین مورچه بروزرسانی می‌شوند. عملکرد CCACO از طریق به کارگیری آن در کنترل‌کننده‌ی فازی و مسائل طراحی پیش‌بینی کننده، به تایید می‌رسد. مقایسه با دیگر الگوریتم‌های بهینه‌سازی مبتنی بر جمعیت (کلونی) موید قوت و برتری این الگوریتم جدید است.

سیستم‌های فازی تکاملی که سیستم‌های فازی را از طریق تکنیک‌های محاسبات تکاملی جمعیت‌محوری چون الگوریتم‌های ژنتیک (GA) و هوش جمعی (SI) طراحی می‌کنند، در دو دهه‌ی اخیر بسیار مورد توجه واقع شده‌اند. برخلاف سیستم‌های فازی عصبی (NFS) که از الگوریتم گرادیان نزولی استفاده می‌کنند، این تکنیک با احتمال خیلی که به دام کمینه‌های محلی می‌افتد. از بین الگوریتم‌های بهینه‌سازی بسیار معروف هوش جمعی، می‌توان به بهینه‌سازی ازدحام ذرات (PSO) و بهینه‌سازی کلونی مورچه‌ها اشاره کرد

کلمات کلیدی:

بهینه‌سازی کلونی مورچگان، تکامل مشارکتی، سیستم‌های فازی تکاملی، هوش جمعی (SI).