دوستان بسیاری در پی استفاده از الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) در مسائل بهینه سازی خود در پایان نامه ها و پژوهش هایشان، در مراحل نوشتن مقالات علمی و گزارش نتایج، این درخواست را بارها مطرح کردند که بخش هایی از متن های فارسی و انگیسی در مورد الگوریتم رقابت استعماری (ICA) جهت استفاده در گزارشها و مقالات بر روی سایت قرار دهیم. در پاسخ به درخواست این عزیزان، در این پست دو فایل راهنمای فارسی و انگلیسی الگوریتم رقابت استعماری در فرمت قابل ویرایش در Word منتشر می کنیم. جهت دانلود فایل ها ادامه مطلب را ببینید.
پستی که در ادامه می خوانید، به یادگیری شبکه عصبی با استفاده از الگوریتم رقابت استعماری می پردازد. البته مطالب ارائه شده عمومی بوده و شامل استفاده از الگوریتم های دیگری همچون الگوریتم ژنتیک یا GA (Genetic Algorithms)، الگوریتم ازدحام ذرات یا PSO (Particle Swarm Optimization) و شبیه سازی تبرید فلزات یا SA (Simulated Annealing) نیز خواهد شد. حتی به نظر می رسد که استفاده از هر یک از عناوین زیر برای این پست مناسب بود.
سوال مهمی که همیشه مطرح می باشد، این است که چه الگوریتمی برای یک مسئله بهینه سازی معین مناسب است و یا در حالت کلی تر، چه الگوریتمی نسبت به الگوریتم دیگر برتری دارد؟ در حالت کلی می توان گفت که از دید بهینه سازی اگر الگوریتم “الف” در زمان سریعتری نسبت به الگوریتم “ب” به جواب مسئله (یا هر جواب یکسان) برسد، الگوریتم ا”لف “بهتر است. به عبارت دیگر می توان گفت که در زمانهای مساوی، الگوریتم “الف” جواب های بهتر و بهینه تری را در اختیار می گذارد. شکل زیر این موضوع را به خوبی نشان می دهد.
در این پست دو فایل پاورپوینت به عنوان اسلایدهای آموزشی مرتبط با الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) را جهت دانلود گذاشته ایم. این فایل ها که یکی به زبان انگلیسی و دیگری به زبان فارسی است، برای بسیاری از علاقه مندان به الگوریتم رقابت استعماری که قصد ارائه مطالب و محتوای مرتبط با آن را دارند بسیار مفید خواهد بود و به سادگی با تغییرات اندکی می توان از آنها جهت ارائه محتوای دلخواه استفاده کرد.
مشاهده به صورت آنلاین – فایل انگلیسی
مشاهده به صورت آنلاین – فایل فارسی
_____________________________________________
– پیشینه ی هوش مصنوعی:
نظریه تورینگ:
– تست تورینگ:
– و بعد …
– زمستانی سخت برای هوش مصنوعی:
– پس از آن، بهاری نو :
– مقایسه، استدلال و حل مسائل:
– نمایش معلومات:
و سخت ترین مشکلات درباره نمایش اطلاعات و معلومات عبارت بود از:
– برنامه ریزی:
– یادگیری:
– پردازش زبان طبیعی:
– ادراک:
احساسات و مهارت های اجتماعی، دو بخش مهم از هوش مندی را تشکیل می دهند. اولا، باعث می شود که ماشین هوشمند بتواند عکس العمل طرف مقابل را در برابر یک رفتار خاص، تشخیص دهد. که این کار با درک از انگیزه فرد و احساسات او عملی خواهد شد.
نکته مهم: مساله کمال ادب بسیار مهم است چون کامپیوتر در صورت عدم رعایت این موضوع، موجودیت خودش را به خطر خواهد انداخت و در این صورت نیاز به یک الگوریتم برای کشتی گیری انسان و کامپیوتر (یا ربات) هم به شدت احساس می شود. (معمولا انسان ها اعصاب ندارند و خیلی زود درگیر می شوند.)
– ابتکار وخلاقیت:
– هوش عمومی:
برای پیاده سازی هوش عمومی روی کامپیوتر نیاز است که از تمامی توانایی های بالقوه ی هوش مصنوعی استفاده کنیم. برای مثال مترجم متن گوگل را در نظر بگیرید؛ می دانیم که این مترجم در حال حاضر با خطا های بسیاری رو به رو است. حال اگر بخواهیم که اشکالات کار ترجمه، حل شود؛ می توانیم از هوش عمومی استفاده نماییم: برای ترجمه خوب باید اول بفهمیم که نویسنده از چه استدلال ها و چه دلایلی برای مطرح کردن یک منظور خاص استفاده می کند.( به کار گیری جنبه درک استدلال و منطق)، همچنین باید بدانیم که موضوعی که درباره آن صحبت می شود چیست.(درک و جمع آوری اطلاعات). مرحله بعدی کار ما این است که مقصود نویسنده از جملات را پیدا کنیم؛ مثلا بفهمیم که دارد انتقاد می کند یا تعریف. (هوش اجتماعی). پس از این کار ها و در نظر گرفتن موارد فوق می توانیم به ترجمه یک متن بپردازیم.
شاید بپرسید که اگر مساله فقط این است، پس چرا گوگل کاری نمی کند ؟ در این مورد باید گفت که شاید در زبان ساده باشد اما به کار گیری چنین الگوریتم هایی با خطای بسیار کم، در حال حاضر عملا امکان پذیر نیست. البته این الگوریتم ها در ترجمه گوگل استفاده می شوند ولی خطای آنها زیاد است. برای کم کردن این گونه خطا ها، راهی که کارشناسان پیشنهاد می کنند، استفاده از شبکه های عصبی و زبان Sub-Symbolic است.
————————————————-
منبع این پست “نارنجی” می باشد.
این پست در پاسخ به سوال مطرح شده توسط یکی از دوستان دانشجو، تهیه شده است. به دلیل اینکه همین سوالات ممکن است برای دیگران نیز مطرح شود، به نظر رسید که انتشار آن در قالب یک پست عمومی خالی از لطف نباشد.
متن سوال مطرح شده به صورت زیر است.
______________________________________
با سلام و احترام،
من به الگوریتم ICA علاقمند شده و می‌خواهم روی آن کار کنم. ضمن مطالعه آن، یکسری سوالات برایم پیش آمدند. ممنون میشم جواب سوالاتم را بدهید.
۱- اول کار مقدار دهی اولیه (Intialization) کشورها با چه مقداری انجام می‌شوند؟ تولید رندم در چه بازه ایی است؟
۲- زاویهٔ theta موقع محاسبهٔ x به چه صورتی تاثیر میگذارد؟
۳- آیا مقدار x که با توزیع یکنواخت (uniform) محاسبه می‌شود، به شکل زیر در متلب محاسبه می‌شود؟
۴- اگر قرار باشد به امپراتوری‌ای در اول کار مثلاً ۵ مستعمره تعلق بگیرد و ما مثلاً ۱۷ تا مستعمره داشته باشیم، کدام ۵ تا مستعمره به آن تعلق میگیرند؟
متن مشروح پاسخ ها نیز در ادامه آمده است.
______________________________________
پاسخ اغلب این سوالات با مراجعه به متن آموزشی فارسی الگوریتم رقابت استعماری که در حقیقت متن کامل یک پایان نامه در این حوزه است، قابل دریافت است. البته مطالعه کدهای نوشته شده در متلب الگوریتم نیز که کاملاً خوانا و منظم هستند، می تواند در پاسخ به این سوالات و سوالات احتمالی بعدی مفید باشد. متن آموزشی و کدهای آماده الگوریتم را می توانید از لینکهای زیر دریافت کنید.
در ادامه پاسخ تک تک سوالات را می بینیم.
1) همانگونه که در متن اموزشی بیان شده، تولید x با توزیع یکنواخت در بازه بین صفر و بتا ضربدر d انجام می گیرد. که در ان d فاصله میان مستعمره و امپریالیست است. بتا را نیز معمولاً حدود 2 در نظر می گیریم. وجود ضریب بتا بزرگتر از یک باعث مي‌شود تا کشور مستعمره در حين حرکت به سمت کشور استعمارگر، از جهت‌هاي مختلف به آن نزديک شود.
2) در الگوريتم معرفي شده، با افزودن يک زاويه تصادفي به مسير جذب مستعمرات، انحرافی در مسیر حرکت انجام مي‌گيرد. بدين منظور، در حرکت مستعمرات به سمت استعمارگر، کمي زاويه تصادفي نيز به جهت حرکت مستعمره، اضافه مي‌کنيم. بدين منظور اين‌بار به جاي حرکت به اندازه x، به سمت کشور استعمارگر و در جهت بردار واصل مستعمره به استعمارگر، به همان ميزان، ولي با انحراف theta در مسير، به حرکت خود ادامه مي‌دهيم. theta را به صورت تصادفي و با توزيع يکنواخت در نظر مي‌گيريم (اما هر توزيع دلخواه و مناسب ديگر نيز مي‌تواند استفاده شود). در حالت دو بعدی پیاده سازی این مورد بسیار ساده است. کافی است از ماتریس دوران دو بعدی استفاده کنیم. یعنی بردار کنونی را داریم. بردار موقعیت جدید از ضرب ماتریس دوران به ادهزه theta در ماتریس موقعیت قبلی ایجاد می گردد.
در حالتهای با بعد بزرگتر، این نوع نگاه ممکن است در پیاده سازی (کد نویسی برنامه) کمی پیچیدگی ایجاد کند. به همین منظور می توانیم مولفه های تک تک ابعاد را در اعداد تصادفی متفاوت ضرب کرده و بردار نهایی را نرمالیزه (هم اندازه با بردار اولیه) کنیم. اگر کدهای نوشته شده را ببینید، به همین صورت عمل شده است.
3) بله دقیقاً همین طور هست. باز هم توصیه می شود کد ها را ببینید.
4) این مستعمرات کاملاً تصادفی انتخاب می شوند و هیچ اولویتی بین آنها نیست. تابع randperm در متلب می تواند در انتخاب مستعمرات به ما کمک کند. این تابع جایگشت تصادفی n عدد را به ما می دهد. راهنمای متلب را برای همین موضوع ببینید.
به گزارش گروه دريافت خبر ايسنا، در اين پيام تسليت كه از طرف جمعي از استادان، محققان و دانشجويان ايراني ساکن ايران، آلمان، آمريکا، ارمنستان، اتريش، اسپانيا، استراليا، امارات متحده، انگلستان، ايتاليا، بلژيک، پرتغال، ترکيه، ژاپن، سنگاپور، سوئد، سوييس، فرانسه، فنلاند، فيليپين، کانادا، لهستان، مالزي، نروژ، نيوزيلند، هلند و هند به نمايندگي از همکاران و شاگردان پروفسور لوکس صادر شده آمده است: «خبر درگذشت استاد ارجمند و دانشمند بي بديل، جناب آقاي پروفسور کارو لوکس، ما را در حيرت و اندوه فرو برد. چه بسيارند استادان برجسته و دانشجويان و دانش آموختگاني که در داخل يا خارج از کشور، افتخار شاگردي در محضر ايشان را دارند و از اين بابت به خود مي بالند. نام اين استاد ارزشمند بيش از هر چيز براي ما تداعي‌کننده اخلاق والاي انساني، فروتني مثال زدني و مهرباني پدرانه اوست.
نگاه ارزشمند و منحصر به فرد آن فقيد سعيد به هستي که آميخته اي از هوشمندي و دقت نظر علمي و نازک طبعي زيباشناسانه بود، هر مستمعي را به وجد مي آورد. آري، او کسي بود که بيش از هر چيز از او درس زندگي آموختيم. در عرصه علمي، پروفسور کارو لوکس استادي مبرز با ايده هاي نو، مدرسي ژرف انديش و پژوهشگري شايسته و کم نظير بود.
بدون شک درگذشت ايشان، ضايعه اي جبران ناپذير براي جامعه علمي کشور، علي الخصوص چند نسل از دانشجويان و محققين مهندسي برق و کامپيوتر است که به طور مستقيم يا غير مستقيم در محضر او کسب فيض کرده اند.
ما جمعي از دانشجويان و دانش آموختگان داخل و خارج از کشور به نمايندگي از همکاران و شاگردان پروفسور کارو لوکس، درگذشت تألم بار ايشان را به خانواده گرامي ايشان و جامعه علمي کشور تسليت عرض مي نماييم و براي ايشان علو درجات و براي بازماندگان ايشان شکيبايي آرزومنديم.
استاد گرامي ما مصداق اين گفته ي نغز هستند که
«بعد از وفات ، تـربـت مـا در زميـن مجـوى در سينه‌هاى مردم عارف مزار ماست»
به گزارش ايسنا، پرديس دانشکده‌هاي فني دانشگاه تهران هم در پيام تسليتي، ضايعه درگذشت استاد فقيد پروفسور کارولوکس را تسليت گفت:
در اين پيام آمده است: «ضايعه درگذشت نابهنگام استاد فقيد پروفسور کارولوکس در شامگاه پنجشنبه هفدهم تيرماه، جامعه بزرگ علمي کشور و خانواده بزرگ دانشکده فني و دانشگاه تهران را در سوگ نشاند.
پروفسور کارو لوکس، استاد برجسته و فرهيخته دانشکده فني و چهره هميشه ماندگار مهندسي کشور، دانشمندي برجسته و نام‌آور و انساني بزرگ و با فضيلت بود؛ نمونه‌اي از استاداني که تخصص، تعهد و فرزانگي را همراه با عشق به ميهن و پيشرفت و اعتلاي آن، به صورت توامان در شخصيت خويش فراهم دارند و هم‌طراز با مدارج عالي علمي و پژوهشي از خصايل والا و نيکوي انساني نيز در حدّ کمال بهره‌مندند.
امروز پرديس دانشکده‌هاي فني دانشگاه تهران و جامعه علمي کشور، سوگوار يکي از پرافتخارترين دانشمندان خود است و آنچه اندکي اين سوگ را تسلّي مي بخشد، يادگارهاي ماندگار اين استاد فقيد در عرصه علم، پژوهش، اخلاق و مهر و مهرورزي است که تا هميشه و همه‌گاه، در خاطر دانشجويان و همکاران استاد مرور خواهد شد.
پرديس دانشکده‌هاي فني دانشگاه تهران، اين ضايعه بزرگ را به خانواده محترم و معزّز استاد، اعضاي هيات‌علمي، مديران، کارکنان و دانشجويان دانشگاه تهران، و همکاران استاد در ساير مجامع علمي داخل و خارج کشور تسليت گفته، براي روح بزرگ ايشان، رحمت و غفران واسعه الهي و براي بازماندگان از خداوند متعال صبر و شکيبايي مسالت دارد.»
بر اساس برنامه‌ريزي صورت گرفته، مراسم تشييع پيکر استاد از ساعت 11روز دوشنبه 21تيرماه از مقابل دانشکده فني واقع در پرديس مرکزي دانشگاه تهران (خيابان انقلاب) برگزار مي‌شود.
به گفته رييس پرديس دانشكده‌هاي فني دانشگاه تهران، پيكر استاد پس از تشييع از مقابل دانشكده فني تا سر در اصلي دانشگاه، جهت انجام مراسم مذهبي در بعد از ظهر دوشنبه به كليسايي در خيابان 30 تير تهران منتقل شده و سپس جهت خاكسپاري به قبرستان ارامنه تهران(خاوران) منتقل مي‌شود.
مراسم بزرگداشتي نيز طي روزهاي اينده از سوي دانشكده فني دانشگاه تهران برگزار مي‌شود كه جزئيات آن متعاقبا اعلام خواهد شد.
کارو لوکس، استاد دانشكده فني دانشگاه تهران و از پژوهشگران برجسته سيستم‌هاي هوشمند شامگاه پنجشنبه در تهران درگذشت.
كارو لوكس (Caro Lucas) كه به «پدر هوش مصنوعي ايران» شهرت دارد در سال 1328 در اصفهان متولد شد. وي كه تحصيلات ابتدايي و متوسطه را در مدرسه كوشش تهران سپري كرده بود دوره كارشناسي و كارشناسي ارشد را تا سال 52 در رشته مهندسي برق در دانشگاه تهران پشت سر گذاشت و در سال 55 تحصيلات دكتري را در دانشگاه كاليفرنيا در «بركلي» به پايان برد.
استاد لوكس كه بنيانگذار و مدير «قطب كنترل و پردازش هوشمند» (Center of Excellence for Control and Intelligent Process) دانشكده مهندسي برق دانشگاه تهران بود علاوه بر تدريس در دانشگاه تهران، مدت‌هاي كوتاهي به عنوان استاد مدعو در دانشگاه‌هاي بزرگي چون بركلي، گاريونيس، تورنتو و UCLA نيز به تدريس و تحقيق مشغول بوده و چند سالي مديريت «پژوهشكده سيستم‌هاي هوشمند» در مركز تحقيقات فيزيك نظري و رياضيات (پژوهشگاه دانش‌هاي بنيادي) را بر عهده داشته است.
وي، محقق «مركز بين‌المللي فيزيك نظري» (International Center for Theoretical Physics) و «مركز بين‌المللي مهندسي ژنتيك و بيوتكنولوژي» (International Center for Genetic Engineering and Biotechnology) در «تريسته» (Trieste) ايتاليا، عضو «انستيتو رياضي كاربردي» (Institute of Applied Mathematics)، عضو «فرهنگستان علوم چين» (Chinese Academy of Sciences) محقق «انستيتو تكنولوژي الكتريكي هاربين» (Harbin Institute of Electrical Technology)، دستيار تحقيق (Research Associate) شركت پژوهشي، توليدي اونتاريو، دستيار تحقيق (Research Associate) آزمايشگاه پژوهش‌هاي الكترونيكي (Electronic Research Laboratory) دانشگاه كاليفرنيا در بركلي بود.
از جمله زمينه‌هاي پژوهشي مورد علاقه استاد لوكس، «محاسبه‌هاي زيستي» (Biological Computing) «هوش محاسبه‌اي» (Computational Intelligence)، «سيستم‌هاي نامشخص» (Uncertain Systems) «كنترل هوشمند» (Intelligent Control)، «شبكه‌هاي عصبي» (Neural Networks)، «سيستم‌هاي چندعاملي» (Multiagent Systems)،«ديتا ماينينگ» (Data Mining)،«مدلسازي مالي» (Financial Modeling) و «مديريت دانش» (Knowledge Management) بود.
اين چهره ماندگار علمي كشور متجاوز از 150 مقاله در مجله‌ها و 300 مقاله در كنفرانس‌هاي علمي ارائه كرده است.
منبع خبر: خبرگزاری دانشجویان ایران – ایسنا
پروفسور کارولوکس استاد نام آور دانشکده فنی دانشگاه تهران در سن 59 سالگی درگذشت.
دکتر کارو لوکس از پژوهشگران به نام سیستم‌های هوشمند در ایران بود. ایشان مدرک کارشناسی ارشد مهندسی برق را از دانشگاه تهران (۱۹۷۳ میلادی) دریافت کرده و در سال ۱۹۷۶ میلادی مدرک دکترای خود را از گروه مهندسی برق و علوم کامپیوتر دانشگاه برکلی با گرایش مهندسی کنترل دریافت کردند.
زمینهٔ پژوهش‌های ایشان پیشبینی سری‌های زمانی، مدل‌های عاطفی، منطق فازی و بهینه سازی تکاملی بود. ایشان در سال ۱۳۸۵ خورشیدی به عنوان چهره ماندگار مهندسی برق کشور شناخته شد. کارو لوکس متولد سال 1328 در اصفهان و بزرگ شده در تهران بودند.
کارو لوکس (Caro Lucas) بنیانگذار و مدیر «قطب کنترل و پردازش هوشمند» بود. ایشان در طی سال‌های 1362 تا 1366 مدیر «پژوهشگاه دانش‌های بنیادی» (IPM) و در سال‌های 1345 تا 1367 رئیس دپارتمان ECE دانشگاه تهران بودند.
از فعالیت‌های دانشگاهی وی در دانشگاه‌های خارج از کشور می‌توان به عضویت در هیات علمی دانشگاه تورنتو کانادا، دانشگاه کالیفرنیا (برکلی)، دانشگاه گاریونیس و دانشگاه کالفرنیا (لس‌آنجلس) به عنوان دانشیار مدعو اشاره کرد.
وی پدر علم رباتیک ایران شناخته می‌شود. پرفسور کارو لوکس در 18 تیرماه 1389 دار فانی را وداع گفت.
وبسایت الگوریتم رقابت استعماری و بهینه سازی تکاملی نیز از طرف جامعه بهینه سازی تکاملی این ضایعه علمی را خدمت خانواده ایشان و همه قشر دانشگاهی کشور تسلیت عرض می نماید. لازم به ذکر است که الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) به عنوان یک الگوریتم بهینه سازی جدید با نگرشی نوین در حوزه بهینه سازی تکاملی، تحت هدایت ایشان در طی پایان نامه کارشناسی ارشد در سال 2007 در دانشگاه تهران معرفی شد و تا کنون حمایت ها و راهنماییهای استاد فقید یکی از دلایل اقبال گسترده به این الگوریتم بوده است.
روحشان شاد و قرین رحمت
این پست، به نقل از پایگاه جامع مهندسی صنایع با اندکی ویرایش نقل می شود. تعریف ارائه شده در این نوشتار، تعریف مناسبی از بهینه سازی است اما این تعریف، کامل، جامع و مانع نمی باشد و بیشتر از دیدگاه مهندسی صنایع به مبحث بهینه سازی می نگرد و ممکن است اصطلاحات و نوع نگاه به کار رفته در این تعریف در سایر حوزه ها، کمی متفاوت باشد. در ادامه مطلب، شما را به مطالعه این تعریف دعوت می کنیم.
با داشتن تابع، در بهينه‌سازي مي‌خواهيم آرگومان x را به گونه‌اي بيابيم که هزينه متناظر آن، بهينه باشد (معمولاً کمينه).
آرزوی انسان برای رسیدن به كمال مبین تئوری بهینه سازی است. انسان می خواهد بهترین را تجسم و توصیف كرده و به آن دست یابد (بیت لر و دیگران، ۱۹۷۹) ؛ اما از آنجایی كه می داند نمی تواند تمام شرایط حاكم بر بهترین را به خوبی شناسایی و تعریف نماید در بیشتر موارد به جای جواب بهترین یا بهینه مطلق، به یك جواب رضایت بخش (وارنر، ۱۹۹۶) بسنده می كند.
آرزوی انسان برای رسیدن به كمال مبین تئوری بهینه سازی است. انسان می خواهد بهترین را تجسم و توصیف كرده و به آن دست یابد (بیت لر و دیگران، ۱۹۷۹) ؛ اما از آنجایی كه می داند نمی تواند تمام شرایط حاكم بر بهترین را به خوبی شناسایی و تعریف نماید در بیشتر موارد به جای جواب بهترین یا بهینه مطلق، به یك جواب رضایت بخش (وارنر، ۱۹۹۶) بسنده می كند. همچنین انسان در قضاوت عملكرد دیگران، معیار بهترین را در نظر نمی گیرد بلكه آنان را به صورت نسبی مورد ارزیابی قرار می دهد (گلدبرگ، ۱۹۸۹) ؛ بنابراین انسان به دلیل ناتوانی خود در بهینه سازی، به بهبود ارزش ویژه ای می دهد.
بیت لر و دیگران (۱۹۷۹) بهینه سازی را چنین شرح می دهند : فعل بهینه ساختن كه كلمه قوی تری نسبت به بهبود می باشد عبارتست از دستیابی به بهینه و بهینه سازی اشاره به عمل بهینه ساختن دارد. بنابراین تئوری بهینه سازی شامل مطالعات كمی بهینه ها و روش یافتن آنهاست. همچنین بهینه به عنوان یك واژه فنی دلالت بر اندازه گیری كمی و تحلیل ریاضی دارد در حالی كه بهترین، دارای دقت كمتر بوده و بیشتر برای امور روزمره استفاده می شود.
در بیشتر موارد آنچه كه با هدف بهینه سازی انجام می دهیم بهبود است. بهینه سازی به دنبال بهبود عملكرد در رسیدن به نقطه یا نقاط بهینه است. این تعریف دو قسمت دارد : ۱- جستجوی بهبود برای رسیدن به ۲- نقطه بهینه. تفاوت روشنی بین فرایند بهبود و مقصد یا نقطه بهینه وجود دارد. هنوز هم معمولا در رویه های بهینه سازی تمركز بر همگرایی است (آیا به نقطه بهینه می رسد؟) و عملكرد ضمنی رویه به طور كلی فراموش می شود. این اهمیت نسبت به همگرایی مربوط به ریشه های بهینه سازی در ریاضیات است اما همان طور كه اشاره شد در عمل چنین اهمیتی طبیعی و معقول نمی باشد (گلدبرگ، ۱۹۸۹). این مقایسه قصد بی ارزش نشان دادن همگرایی و دقتهای معمول ریاضی را ندارد چرا كه این حوزه خود مبنای ارزشمندی برای مقایسه روشهای بهینه سازی ارائه می كند.
در مقایسه الگوریتم های بهینه سازی دو معیار همگرایی و عملكرد مطرح می شود. بعضی از الگوریتم ها دارای همگرایی بوده ولی ممكن است عملكرد ضعیفی داشته باشند، یعنی فرایند بهبود آنها از كارایی و سرعت لازم برخوردار نباشد ؛ برعكس بعضی دیگر از الگوریتم ها همگرایی نداشته ولی عملكرد آنها خیلی خوب است.
می توان هدف از فرایندهای جستجو را در سه دسته زیر بیان كرد :
در شرایطی كه ما به یافتن جواب در همسایگی جواب بهینه راضی باشیم هدف جستجو را شبه بهینه سازی می نامند. شبه بهینه سازی دارای دوطبقه است ؛ اگر هدف، یافتن جواب عملی خوب در فاصله تعریف شده ای از جواب بهینه باشد به آن بهینه سازی نزدیك گفته می شود. اگر شرط فاصله تعریف شده برای جواب بدست آمده حذف گردد و تنها یافتن جواب نزدیك بهینه با احتمال بالا هدف باشد به آن بهینه سازی تقریبی گفته می شود.
بیشتر مسائل عملی آنقدر مشكل هستند كه در آنها هدف، شبه بهینه سازی در نظر گرفته می شود تا از این طریق تعادلی بین كیفیت جواب بدست آمده و هزینه جستجوی آن جواب برقرار گردد. هم چنین از آنجایی كه تعداد محاسبات مسائل بهینه سازی تركیبی به اعداد نجومی می رسد حذف شرط بهینگی یك ضرورت اقتصادی است. در شبه بهینه سازی باید الگوریتم هایی ارائه كرد كه حدود مناسب میزان محاسبات و نزدیكی به بهینگی را تضمین نموده و تعادلی بین آنها برقرار نمایند. این الگوریتم ها باید مجهز به پارامترهای قابل تنظیم باشند تا كاربر بتواند با تغییر آن پارامترها تعادل مطلوب بین جواب بدست آمده و میزان محاسبات را برقرار نماید. (پیرل، ۱۹۸۴)
منبع: پایگاه جامع مهندسی صنایع
نظرات شما در انتهای این پست برای سایر خوانندگان، بسیار مفید خواهد بود. می توانید نظر خود را با اکانت سرویس های مختلف و یا به عنوان ناشناس در این پست درج نمائید.