کتاب بهینه سازی کلونی مورچگان

کتاب بهینه سازی کلونی مورچگان نوشته مسعود میرزایی و مهدی بشیری است. این کتاب درباره مفاهیم، الگوریتم‌ها و کدنویسی نوشته شده است.

درباره کتاب بهینه سازی کلونی مورچگان

بهینه‌سازی کلونی مورچگان (ACO ) یک روش فراابتکاری برای حل مسائل بهینه‌سازی ترکیبی و سخت است که به تازگی ارائه شده است. منشا الهام این روش اثر فرومون به جای مانده از مورچه‌های واقعی و رفتار جمعی آن ‌ها که از فرومون برای برقراری ارتباط استفاده می‌کنند، است. از نظرزیست‌شناسی، بهینه‌سازی کلونی مورچگان مبتنی برارتباط غیرمستقیم یک کلونی از عوامل ساده است که مورچه نامیده می‌شوند و به واسطه اثر فرومون در ارتباط اند. اثرفرومون در ACO به مانند اطلاعات عددی عمل می‌کند که در فضای جواب توزیع شد‌ه‌اند و مورچه با استفاده از آن به صورت احتمالی پاسخ‌هایی برای مسأله می‌سازد و مورچه ‌ها در هنگام اجرای الگوریتم از آن استفاده می‌کنند تا تجربیات خود را به دیگران نشان دهند. اولین نمونه از چنین الگوریتمی‌ ، سیستم مورچگان (AS ) است که توسط مارکو وریگو به صورت یک مثال کاربردی از مسأله معروف فروشنده دوره گرد (TSP) ارائه گردید. برخلاف نتایج اولیه که دلگرم کننده بود، AS قادر نبود از عهده الگوریتم ‌های جدید ارائه شده برای TSP برآید. با این حال AS نقش مهمی‌ در تشویق برای پژوهش‌های آتی داشته و به عملکرد بهتر در محاسبات برای انواع الگوریتم‌های ارائه شده منجر شده است. همچنین به روش‌های متنوعی برای کاربرد در مسائل دیگری توسعه داده شد . در حقیقت امروزه کاربرد‌های قابل توجهی از این روش دیده می‌شود که در سطح کلاس جهانی برای مسائلی مانند تخصیص درجه دو (QAP) ،(مسیریابی وسیله نقلیه ،VRP) سفارش‌دهی ترتیبی، زمانبندی، مسیریابی در شبکه‌های شبه اینترنت و غیره به کار می‌رود.

 این موفقیت‌ها انگیز‌ه‌ای شد تا روش فراابتکاری ACO به عنوان چهارچوبی برای این کاربرد‌ها و الگوریتم‌های متنوع ارائه شود. الگوریتم‌هایی که به دنبال روش فراابتکاری ACO ارائه شدند را در ادامه الگوریتم‌های ACO می‌خوانیم. کاربرد امروزه الگوریتم‌های ACO در دو دسته مهم از مسائل جای می‌گیرند: مسائل بهینه‌سازی ترکیبی ایستا و پویا. مسائل ایستا آن‌هایی هستند که شکل کلی مسأله و هزینه آن‌ها درطی حل مسأله تغییری نمی‌کند. مثلاً مسأله فروشنده دوره گرد در حالتی که مکان شهر‌ها و فاصله میان شهر‌ها در هنگام حل مسأله تغییری نمی‌کند از این دسته است . اما در مسائل پویا، شکل مسأله و هزینه در هنگام تولید جواب‌ها می‌تواند تغییر کند . یک مثال برای چنین مسال‌های مسیریابی در شبکه‌های ارتباطات است که در آن الگوی تردد در مسیر‌ها به صورت مداوم در حال تغییر می‌باشد. الگوریتم‌های ACO برای حل این دو دسته از مسائل در نگاه کلی بسیار مشابه هستند ولی در جزئیات اجرا و پیادهسازی تفاوت ‌های عمد‌های دارند. از مثال‌های دیگری که می‌توان برای پویا یا ایستا بودن مسائل ذکر کرد عبارتند از تقاضای ثابت یا تقاضای پویا در فصول مختلف سال، قیمت ثابت یا قیمت پویا بر اساس تقاضای کلی مشتریان و ... می‌باشد. مورچه‌های مصنوعی در ACO یک روش ابتکاری تصادفی را پیاده سازی می‌ کنند به این صورت که بر اساس تابعی از اثر فرومون و گاهی اطلاعات ابتکاری موجود در داده‌های ورودی مسأله، تصمی‌م‌های تصادفی ایجاد می‌کنند. بدین ترتیب می‌توان پیش بینی کرد ACO به عنوان توسع‌های از روش‌های ابتکاری سنتی است که برای حل مسائل بهینه‌سازی ترکیبی موجود هستند و اما تفاوت عمده با روش‌های ابتکاری این است که در طی اجرای الگوریتم اثر فرومون به عنوان وسیل‌های برای ذخیره و تجمع تجربیات جستجو‌های قبلی استفاده می‌شود. اگر می‌خواهید بیشتر درباره این موضوع بدانید کتاب بهینه سازی کلونی مورچگان تمام ابعاد این روش را بررسی می‌کند.  

خواندن کتاب بهینه سازی کلونی مورچگان را به چه کسانی پیشنهاد می‌کنیم

این کتاب را به تمام علاقه‌مندان و فعالان حوزه برنامه‌نویسی پیشنهاد می‌کنیم.