الگوریتمهای متاژنتیک
بدیهی است که نمیتوان برای این مشخصهها مقادیری کلی و عمومی تعیین کرد چرا که تنظیم این مشخصهها به طور قابل توجهی به نوع و ابعاد مسئله بستگی دارد. این مسئله ما را به سمت یک سوال سوق میدهد و آن این که چرا برای تعیین مقادیر بهینهی مشخصههای الگوریتم ژنتیک از یک GA جداگانه استفاده نکنیم؟ از این گذشته، همچنان که شایستگی بهترین عضو جمعیت به سمت مقدار بهینه پیش میرود، احتمالا قالب فضای جستجو نیز تغییر پیدا خواهد کرد، که این امر دلالت بر این دارد که مقادیر مشخصههای داخلی GA ثابت نیست و با گذشت زمان نیاز به تغییر دارند. برای حل این مشکل، میتوان در طول فرآیند بهینهسازی مسئله توسط GA، از یک GA جداگانه برای بهینهسازی مشخصههای داخلی آن استفاده کرد.
+ نوشته شده در جمعه بیست و چهارم شهریور ۱۳۹۱ ساعت 11:45 توسط مدیر وبلاگ
|
الگوریتم ژنتیک، الگوریتم های ژنتیک، الگوریتم بهینه سازی اجتماع مورچگان، الگوریتم بهینه سازی کولونی مورچگان، الگوریتم بهینه سازی هجوم ذرات، الگوریتم بهینه سازی اجتماع ذرات، الگوریتم تبرید تدریجی، الگوریتم شبیه سازی تبرید فلزات، الگوریتم بهینه سازی زنبور عسل، بهینه سازی، پیچیدگی محاسباتی، هوش مصنوعی، جستجوی ناآگاهانه، جستجوی عمومی، جستجوی عمقی، جستجوی سطحی، جستجوی مکاشفه ای، جستجوی حریصانه، الگوریتم تپه نوردی، الگوریتم جستجوی تابو، جستجوی جامع، بهینه سازی تحلیلی، روش غیرمرکب سرازیری نلدر مید، ادغام، جهش، نسل، همگرایی، الگوریتم ژنتیک پیوسته، الگوریتم ژنتیک گسسته، بهینه سازی چندمنظوره، بهینه سازی پارتو، ژنتیک مرکب، مسائل جایگشت، غالب و مغلوب، نیچ، متاژنتیک، نژادمانه، رخ مانه، ژنتیک موازی، مسئله فروشنده دوره گرد، طراحی خط سیر روبات، طراحی حرکت رادارگریز، ساخت مدل های معکوس دینامیکی خطی و غیر خطی، مسائل زمان بندی، بهنیه سازی شبکه های عصبی مصنوعی، حل معادلات دیفرانسیل جزئی غیرخطی مرتبه بالا، تابع شایستگی، تابع آزمون، متلب، فرترن، ++C، C