دانلود شبیه سازی مقاله بهینه سازی مبتنی بر جغرافیای زیستی در محیط نویزی

الگوریتم BBO

مسائل بهینه سازی بسیاری در زمینه های علوم و مهندسی شامل نویز تابع برازندگی می باشند که این امر چالشی برای الگوریتم های بهینه سازی بوجود می آورد. نویز، محاسبه توابع هدف را از طریق حسگرهای غیرکامل و غیرپیشرفته، ادوات اندازه گیری و شبیه سازی های عددی تقریبی، مختلف می کند. نویز باعث دو نوع اثر نامطلوب در الگوریتم های بهینه سازی می شود: 1) یک جواب کاندید عالی را می توان به اشتباه، غیرعالی در نظر گرفت و 2) یک جواب کاندید غیرعالی و ضعیف را می توان به اشتباه عالی در نظر گرفت. این اثرات باعث گیر افتادن در بهینه های کاذب و کاهش عملکرد بهینه سازی، شامل کاهش نرخ همگرایی و بهبود برازش غیریکنوات می شوند. الگوریتم های تکاملی به چندین روش برای مسائل نویز دار اصلاح شده اند و بکار گرفته شده اند. الگوریتم های بهینه سازی جذاب برای مسائل نویزدار شامل الگوریتم های ژنتیک (GA)، برآورد الگوریتم های توزیع (EDA)؛ تکامل تفاضلی (DE) و بهینه ازدحام ذرات (PSO)، می باشند.

بهینه سازی مبتنی بر بیوجغرافیا (BBO) یک الگوریتم بهینه سازی تکاملی نوین است که براساس علم بیوجغرافیا می باشد. در این پروژه، BBO برای بهینه سازی مسائلی استفاده می شود که در آن تابع هدف بوسیله نویز تصادفی، مختل می شود. نویز با نرخ مهاجرت BBO و نرخ مهاجرت خارج از مرز، تداخل می کند و اثر مضری بر عملکرد بهینه سازی دارد. در این پروژه، اثر نویز بر BBO با استفاده از یک مدل مارکوف را تحلیل می کنیم. همچنین، نمونه گیری مجدد در BBO را بکار می گیریم، که در این روش برازش، هر جواب کاندید چندین بار محاسبه می شود و میانگین محاسبه می گردد تا اثرات نویز برطرف شوند. عملکرد BBO بر توابع بنچمارک نویزدار با بهینه سازی ازدحام ذرات (PSO)، تکامل دیفرانسیلی یا تفاضلی (DE)، DE خود وفقی (SaDE) و PSO با محدودیت (CPSO)، مقایسه می شود. علاوه بر آن، BBO همراه با نمونه گیری با BBO مبتنی بر فیلتر کالمان (KBBO)، مقایسه می شود. نتایج نشان می دهند که BBO با نمونه گیری مجدد به عملکرد تقریباً یکسان با KBBO دست می یابد اما بار و زمان محاسبات کمتری دارد.

این پروژه در محیط شبیه سازی متلب انجام شده و در ادامه نیز تعدادی از نتایج خروجی آن قرار داده شده است: