الگوریتم علف هرز

الگوریتم علف هرز یک روش بهینه‌سازی تکاملی مبتنی بر جمعیت می‌باشد که از رفتار کلنی علف‌های هرز الهام گرفته شده است. الگوریتم Invasive Weed Optimization  یا به اختصار IWO بر اساس نظریه آشوب است. از بین پارامترهای الگوریتم بهینه‌سازی علف‌های هرز، انحراف معیار، عملکرد الگوریتم را به طور قابل‌توجهی تحت‌تأثیر قرار می‌دهد. نتایج آماری در مورد مسائل بهینه‌سازی نشان می‌دهد که الگوریتم علف‌ هرز، نرخ هم‌گرایی سریع و دقت بالایی را با خود به همراه دارد. برای کسب اطلاعات بیشتر در مورد مفاهیم استفاده شده، مزایا و چگونگی کارکرد آن، مقاله الگوریتم علف هرز را حتماً تا به انتها دنبال کنید.

آموزش هوش مصنوعی با بهترین اساتید ایران

الگوریتم علف هرز چیست؟

در سال‌های اخیر، مسائل پیچیده و متنوع بهینه‌سازی، با استفاده از ابزارهای آموزش ریاضی الهام گرفته از طبیعت، حل شده است. در چنین مواردی، روش‌های سنتی نیاز به اطلاعات خاصی دارند و اغلب با پاسخ‌های نامطلوب مواجه می‌شوند؛ بنابراین، روش‌های مبتنی بر جمعیت تکرار، موردتوجه قرار گرفته‌اند. تکنیک‌های فرا ابتکاری به‌عنوان روش‌های بهینه‌سازی شناخته می‌شوند که برای حل بسیاری از مسائل استفاده می‌گردند. به‌عنوان‌مثال، الگوریتم ژنتیک که برای اولین‌بار توسط هلند در سال 1975 معرفی شد، یک ابزار استاندارد بهینه سازی مهندسی است.

در سال‌های گذشته الگوریتم‌های بهینه‌سازی بر اساس پدیده‌های اکولوژیکی معرفی شده‌اند که از جمله آنها می‌توان به الگوریتم ژنتیک سلولی که یک الگوریتم تجربی تکاملی مبتنی بر انعطاف‌پذیری گروهی است، اشاره نمود. در این الگوریتم، ارزیابی‌ها و رتبه‌بندی‌ها به‌صورت جداگانه بر اساس دو گروه انعطاف‌پذیر و غیرمنعطف به‌صورت موازی انجام می‌شود. بهترین اعضا در هر دو گروه انتخاب می‌شوند. تعداد اعضای منعطف یک رابطه نوع سیگموئید، با رشد جمعیت اکولوژیکی طبیعی در یک فضای محدود، تعیین می‌گردند.

الگوریتم فرا ابتکاری علف هرز یک روش بهینه‌سازی جدید و قدرتمند است که بهینه یک تابع ریاضی را از طریق تقلید از سازگاری و تصادفی بودن کلنی‌های علف‌های هرز پیدا می‌کند. این الگوریتم می‌تواند به‌عنوان یک طراحی اساسی برای رویکردهای بهینه‌سازی مؤثر، مورداستفاده قرار گیرد.

الگوریتم تهاجمی بهینه‌سازی علف‌های هرز (IWO) نوعی الگوریتم بهینه‌سازی تصادفی برای شبیه‌سازی پدیده‌ها بر اساس ویژگی‌های علف‌های هرز و رفتار ازدحامی گیاهان در طبیعت است. الگوریتم کلاسیک IWO این مشکل را دارد که به‌راحتی در مدل بهینه‌ای قرار می‌گیرد که منجر به‌دقت پایین در محاسبه شود. یک الگوریتم جدید بهبودیافته IWO بر اساس عملکردهای تکامل دیفرانسیل برای حل مشکل طراحی‌های یک‌بعدی (BP) پیشنهاد شد. الگوریتم بهینه‌سازی علف‌های هرز تهاجمی تکامل افتراقی (DE-IWO)، الگوریتم ژنتیک (GA)، الگوریتم کرم شب‌تاب (FA) و الگوریتم IWO برای حل انواع مشکلات در زمینه‌های مختلف استفاده می‌شود. نتایج شبیه‌سازی، کارایی الگوریتم های اشاره شده را تأیید می‌کند.

در زندگی روزمره ما، از بهینه‌سازی برای افزایش سود و درعین‌حال کاهش هزینه‌ها و به حداکثر رساندن عملکرد محصول استفاده می‌شود. بهینه‌سازی، یک زمینه تحقیقاتی فعال در چندین دهه پیش بوده است و هنوز هم بسیار موردتوجه هست.در سال‌های اخیر شاهد ظهور بسیاری از مسائل بهینه‌سازی پیچیده بوده‌ایم که به ایجاد و توسعه الگوریتم‌های بسیار کارآمدی انجامیده است. در حال حاضر طیف وسیعی از الگوریتم‌ها برای بسیاری از  انواع مسائل وجود دارد . طراحان برای ایجاد یا کشف الگوریتم‌های نو تلاش می‌نمایند زیرا که ایده‌های جدید توسعه‌یافته، در بهینه‌سازی و برنامه‌های کاربردی به‌شدت موردنیاز خواهند بود.

یکی از آخرین پیشرفت‌ها در دو دهه گذشته، تمایل به استفاده از الگوریتم‌های شهودی است. توجه داشته باشید که الگوریتم‌ها (شهودی یا پسا شهودی) اکثریت‌قریب‌به‌اتفاق تکنیک‌های بهینه‌سازی مدرن را تشکیل می‌دهند. آنها در حل مسائل پیچیده بهینه‌سازی بسیار مفید و مؤثر واقع شده‌اند و این الگوریتم‌ها در تمام زمینه‌های مهم اعمال گردیده‌اند.

مطلب پیشنهادی: الگوریتم فیبوناچی چیست؟

مفاهیم اساسی الگوریتم علف هرز

برای شبیه‌سازی رفتار زیستگاهی علف‌های هرز و استفاده از آن در طراحی الگوریتم، برخی از ویژگی‌های اساسی این فرآیند به شرح زیر در نظر گرفته می‌شود:

1. اولیه سازی جمعیت اولیه: تعداد محدودی در فضای جستجو توزیع می شود.
2. گسترش طیفی: بذرهای تولید شده توسط گروه در توزیع نرمال با میانگین موقعیت کاشت و انحراف معیار محاسبه می شوند.
3. انحراف استاندارد فعلی، شاخص مدولاسیون غیرخطی است. این تبدیل تضمین می کند که سقوط یک دانه در محدوده هر مرحله به صورت غیر خطی کاهش می یابد و منجر به تناسب بیشتر و حذف گیاهان نامناسب می شود و حالت انتقال را از r به انتخاب K نشان می دهد.
4. این روند تا رسیدن به حداکثر تعداد تکرار ادامه می یابد و سپس تابع هزینه حداقل کلنی علف ها ذخیره می شود.

مزایای استفاده از الگوریتم علف هرز

الگوریتم‌های بهینه‌سازی مبتنی بر نظریه آشوب از روش‌های جستجوی تصادفی استفاده می‌کنند. الگوریتم‌ علف هرز با الگوریتم‌های رقابتی در حال تکامل و  مبتنی بر جمعیت هوشمند، متفاوت است. الگوریتم علف هرز به دلیل ماهیت غیرتکراری نظریه آشوب، جستجوهای سراسری را با سرعت بیشتری نسبت به جستجوهای تصادفی با درنظرگرفتن احتمالات مختلف انجام می‌دهد. علاوه بر این، تنوع جمعیت بیشتری را شامل می‌شود. همچنین با استفاده از آن، اطمینان حاصل می‌شود که جمعیت اعضای ما، کل منطقه جستجو را پوشش می‌دهد؛ بنابراین پاسخ‌های بهینه یا نزدیک به بهینه در بین جمعیت در دسترس خواهد بود.

مطالعات بسیاری برای نشان‌دادن مناسب‌بودن الگوریتم بهینه‌سازی پیشنهادی انجام شده است. در مرحله اول، توانایی الگوریتم در یافتن حداقل سه تابع معیار که اغلب در تحقیقات متنوع ارائه شده است، نشان داده می‌شود. این توابع عبارت‌اند از:

• Sphere
• Griewank
• Rastrigin
• EASOm
• Ef10

به‌منظور نشان‌دادن همگرایی الگوریتم پیشنهادی با پاسخ بهینه، نتایج با الگوریتم علف‌های هرز استاندارد و علف‌های هرز آشفته با جمعیت بدوی تصادفی‌سازی شده، مقایسه می‌شوند.

مطلب پیشنهادی: پردازش داده چیست؟

الگوریتم علف هرز چگونه کار می‌کند؟

برای درک کارکرد الگوریتم علف هرز باید تفاوت آن با سایر الگوریتم‌ها روشن شود. یکی از روش‌های الگوریتمی (روش‌های شهودی و روش‌های پسا شهودی) است. در سال 1986 گلوور کلمه الگوریتم شهودی را ابداع کرد که تکامل این نوع از الگوریتم را ممکن نمود. الگوریتم پسا شهودی در سطحی بالاتر از الگوریتم شهودی عمل می کند. هیچ توصیف پذیرفته‌شده‌ای در مورد روش‌ها (شهودی یا پسا شهودی) که در آن اصطلاح (شهودی و پسا شهودی) به جای یکدیگر استفاده شود، وجود ندارد و روند اخیر به طبقه‌بندی همه الگوریتم‌های تصادفی با استفاده از تحلیل محلی الگوریتمی شهودی اشاره دارد.

دو عنصر مهمی که در الگوریتم (پسا شهودی) عناصر ضروری در نظر گرفته می‌شوند عبارت‌اند از (تشدید و تنوع). الگوریتم‌ها را می‌توان به چندین روش طبقه‌بندی کرد.در این مورد الگوریتم ژنتیک مثال خوبی است. روش شبیه‌سازی فولاد به این صورت است که از یک عنصر استفاده می‌کند که در فضای جستجو به‌خوبی عمل می‌کند و بهترین راه‌حل یا راه برای ادامه مسیر را تعیین می‌کند.

این الگوریتم‌ها به‌طورکلی قابل‌قبول هستند و زمانی که مرحله پروژه موفقیت‌آمیز نباشد، معمولاً احتمال خاصی را تأیید می‌کنند چون حرکات، بر جهت در فضای جستجو و احتمال غیرصفر مسیر بهینه‌سازی کامل تأثیر می‌گذارد. مسئله تحقیق با محوریت یافتن راه‌حل جامع و بهینه برای مسائل اندازه‌گیری بی‌نظمی و ازدیاد با استفاده از ویژگی‌های الگوریتم ازدحام، یکی از موضوعات اصلی الگوریتم ازدحام Bat (BA) است. هدف از کار الگوریتم‌ها ایجاد روشی جدید برای حل مسائل بهینه‌سازی است که خود موضوعی دشوار می‌باشد.

گاهی الگوریتم جدیدی به نام الگوریتم ترکیبی در پروژه‌ها بکار می‌رود که در آن الگوریتم (بهینه‌سازی تهاجمی علف‌ هرز) و الگوریتم (بهینه‌سازی خفاش) و الگوریتم IWO-BA حاصل از الگوریتم‌های ترکیبی برای بهره‌گیری از کیفیت‌های مثبت و کاهش منفی دو الگوریتم قبلی به‌خوبی با هم به خوبی ترکیب می‌شوند و عمل می‌نمایند.

الگوریتم ترکیبی در سال‌های اخیر پیاده‌سازی شده است، ولی برنامه‌نویسان از دهه 1980 از آن استفاده کرده اند. در حال حاضر، ما شاهد ترکیب اجزای مختلف روش  های تحقیقاتی و تمایل به طراحی تکنیک‌های ترکیبی مورد استفاده در هوش مصنوعی و تحقیقات عملیاتی بهره‌برداری هستیم.

عملکرد الگوریتم IWOعلف هرز شامل چندین مرحله کلیدی است که عبارت‌اند از:

• مرحله 1 : جمعیت اولیه
• مرحله 2 : شبیه سازی
• مرحله 3 : پراکندگی فضایی
• مرحله 4: حذف فضایی

(1) نشان دهنده رابطه بین مقدار تابع و تعداد دانه های علف های هرز است؛ اگر مقدار تابع تناسب را افزایش دهید، تعداد دانه ها بین مقدار حداکثر و مقدار حداقل تغییر می کند.

(2) در این مرحله، بذرهای تولید شده به طور تصادفی در کل فضای جستجو در ابعاد، توزیع می شوند.این مرحله به این معنی است که بذرها به طور تصادفی در اطراف گیاه مادر توزیع می شوند.

(3) و (4) هنگامی که حداکثر مقدار گیاهان در کلنی رشد می نمایند ، هر گیاه، دانه تولید می کند و سپس در محل پخش می شود. همه دانه ها به همراه گیاه مادر (کلنی) بر طبق الگوهای رفتاری خود رشد می کنند و پراکنده می شوند . علف های هرز با عملکرد توزیعی پایین حذف می شوند تا به حداکثر قابل قبول و ممکن دست یابد. به یاد داشته باشید که گیاهان این الگوریتم را تکرار می کنند و همچنین موردی که عملکرد توزیعی بالایی دارد، دارای محاسبه مخصوص به خود است.

مقاله مرتبط: الگوریتم کلونی مورچگان

سخن پایانی

الگوریتم علف هرز برای اولین‌بار در سال‌ 2006 توسعه داده شد و کارکرد آن منطبق بر زیست‌شناسی است. این الگوریتم برای بهینه‌سازی عددی بکار می‌رود که در واقع رفتار طبیعی علف  هرز را در ایجاد کلونی‌، شبیه‌سازی می‌کند (الگو رفتاری علف‌ها برای رشد و تولیدمثل در مکان‌ها و محیط‌های مختلف). برخی از ویژگی‌های الگوریتم علف هرز در مقایسه با سایر الگوریتم‌ها، بهبود توسعه، روش‌های اصلاحی، پراکندگی فضایی و طرد رقابتی است.