الگوریتم های فراابتکاری چیست؟ – به زبان ساده

«الگوریتم های فراابتکاری» (Metaheuristic Algorithms) یکی از انواع روش‌های جستجو هستند که با عنوان روش‌های بهینه‌سازی نیز شناخته می‌شوند. این الگوریتم‌ها به منظور یافتن راه‌حلی مناسب برای مسائل بهینه‌سازی پیچیده و دشواری طراحی شده‌اند که با الگوریتم‌های سنتی قابل حل نیستند. به عبارتی، در دنیای واقعی ممکن است با مسائلی مواجه شویم که برای حل آن‌ها منابع محدودی (مانند توان محاسباتی و زمان) در اختیار داریم. در این شرایط الگوریتم های فراابتکاری می‌توانند به عنوان ابزاری مناسب تلقی شوند و راه‌حل‌های خوبی را با تلاش محاسباتی کمتری نسبت به سایر الگوریتم‌ها پیدا کنند. در این مطلب از مجله فرادرس قصد داریم به این پرسش پاسخ دهیم که الگوریتم های فراابتکاری چیست و به چه طریقی می‌توانند مسائل را حل کنند. در ابتدای این مطلب، به مفهوم الگوریتم فراابتکاری اشاره می‌کنیم و ویژگی‌های آن‌ها را شرح می‌دهیم. سپس، به توضیح انواع این الگوریتم‌ها خواهیم پرداخت و کاربرد و عملکرد آن‌ها را ارائه خواهیم کرد.

الگوریتم های فراابتکاری چیست؟

الگوریتم های فراابتکاری را می‌توان به عنوان روش‌های جستجو محسوب کرد که برای یافتن راه‌حل مناسب برای مسائل بهینه‌سازی پیچیده طراحی شده‌اند و از آن‌ها می‌توان به خوبی در شرایطی بهره گرفت که اطلاعات ناقص یا ناکافی یا منابع محدود (مانند قدرت محاسباتی و زمان) در اختیار داریم. ظهور الگوریتم های فراابتکاری برای حل چنین مسائل بهینه‌سازی، به عنوان یکی از برجسته‌ترین دستاوردهای دو دهه اخیر در پژوهش عملیات تلقی می‌شود.

چالش‌ها و مسائلی نیز وجود دارند که برای حل آن‌ها به توسعه راه‌حل‌های بهتری نیاز است و نمی‌توان از رویکردهای سنتی برای آن‌ها استفاده کرد. الگوریتم‌های فرا ابتکاری می‌توانند در حل چنین مسائلی کاربردی باشند و با رویکردهای مختلف به بهینه‌سازی مسائل غیرخطی بپردازند و عملکرد بهتری نسبت به «روش‌های تکراری» (Iterative Methods) و «اکتشافی ساده حریصانه» (Simple Greedy Heuristics) داشته باشند.

همچنین، انواع مختلفی از مسائل وجود دارند که حل آن‌ها با استفاده از یک الگوریتم بهینه‌سازی ساده برای رسیدن به بهینه سراسری غیرعملی است. برای مثال، ممکن است در یک مسئله بهینه‌سازی به دلیل وجود متغیرهای تصادفی در تابع هدف با پیچیدگی مواجه شویم و نتوانیم مسئله را با استفاده از «برنامه‌ریزی تصادفی» (Stochastic Programming) حل کنیم. به علاوه، در بسیاری از مسائل بهینه‌سازی با توابع چندهدفه با متغیرهای غیرخطی و مسائل هوش مصنوعی و یادگیری ماشین با مجموعه داده‌های بزرگ، یافتن پاسخ بهینه دشوار است. در چنین مسائلی، الگوریتم های فراابتکاری نقش مهمی در حل مسائل ایفا می‌کنند و برتری چشم‌گیری نسبت به سایر روش‌ها دارند.

ویژگی الگوریتم های فراابتکاری

الگوریتم های فراابتکاری دارای مجموعه‌ای از ویژگی‌های کلیدی هستند که آن‌ها را از سایر روش‌های حل مسئله متمایز می‌کنند. در ادامه، به برخی از مهم‌ترین ویژگی‌های الگوریتم های فراابتکاری اشاره شده است:

• ارائه چارچوب برای بهینه‌سازی مسائل: روش‌های فراابتکاری به خودی خود الگوریتم‌های خاصی نیستند، بلکه به عنوان یک رویکردی کلی برای حل مسائل بهینه‌سازی محسوب می‌شوند. به عبارتی، این الگوریتم‌ها چارچوبی ارائه می‌کنند که می‌توان با اعمال تغییراتی در آن، در حل مسائل مختلفی مورد استفاده قرار گیرد.
• جستجوی تصادفی (Stochastic): برخلاف برخی از روش‌های قطعی که از مجموعه قوانین مشخصی برای یافتن راه‌حل برای مسائل پیروی می‌کنند، روش‌های فراابتکاری بر پایه فرایندهای تصادفی شکل گرفته‌اند. استفاده از جستجوی تصادفی به این الگوریتم‌ها کمک می‌کند تا فضای جستجو را به طور موثرتری کاوش کنند و در نقاط بهینه محلی گیر نکنند. مشخصه تصادفی بودن الگوریتم‌های فراابتکاری را می‌توان از طریق روش‌های مختلفی مانند جهش در الگوریتم‌های ژنتیکی یا انتخاب تصادفی نقاط شروع اعمال کرد.
• بهبود تدریجی: روش‌های فراابتکاری به طور معمول به صورت تکراری عمل می‌کنند. این الگوریتم‌ها با مجموعه‌ای از راه‌حل‌های اولیه شروع می‌کنند و سپس آن‌ها را در چندین مرحله بهبود می‌بخشند. در هر تکرار، راه‌حل‌ها با استفاده از یک تابع ارزیابی سنجیده می شوند، مناطق و مسیر امیدوار کننده (که منتج به هدف می‌شوند) را شناسایی و راه‌حل‌های جدیدی را بر اساس بهترین راه‌حل‌های یافت شده تا کنون ایجاد می‌کنند. این فرآیند تکراری تا زمانی ادامه می‌یابد که معیار توقف برآورده شود (به عنوان مثال، الگوریتم به سطح خاصی از بهبود دست پیدا کند یا به حداکثر تعداد تکرارها برسد).
  

  

• برقراری تعادل بین کاوش و بهره‌برداری: روش‌های فراابتکاری باید بین دو جنبه کلیدی تعادل برقرار کنند:
  • کاوش: به توانایی جستجوی مناطق جدید فضای جستجو و کشف راه‌حل‌های بالقوه بهتر اشاره دارد. روش‌های فراابتکاری از طریق تکنیک‌هایی مانند جستجوی تصادفی یا ایجاد تنوع در «جمعیت» (Population) یا همان راه‌حل‌ها، به کاوش دست می‌یابند.
  • بهره‌برداری: به توانایی تمرکز بر روی مناطق امیدوارکننده در فضای جستجو و تصفیه راه‌حل‌های یافت شده در آنجا اشاره دارد. تکنیک‌هایی مانند انتخاب و جهش (در الگوریتم‌های ژنتیکی) به بهره‌برداری از مناطق امیدوارکننده کمک می‌کنند.
• انعطاف‌پذیری و تطبیق‌پذیری: یکی از مزایای اصلی روش‌های فراابتکاری انعطاف‌پذیری آن‌هاست. این روش‌ها را می‌توان با تغییر عملگرهای خاص و توابع ارزیابی مورد استفاده در چارچوب، به طیف گسترده‌ای از مسائل اعمال کرد. به عنوان مثال، تعریف راه‌حل‌های اولیه مسئله یا نحوه ارزیابی راه‌حل‌ها را می‌توان بسته به مسئله تعریف شده تنظیم کرد.
• عدم ارائه ضمانت برای یافتن راه‌حل بهینه: برخلاف برخی از روش‌های بهینه‌سازی دقیق، الگوریتم های فراابتکاری ضمانتی برای یافتن بهترین راه‌حل (نقاط بهینه سراسی) ندارند. با این حال، این روش‌ها بر روی یافتن راه‌حل‌های خوب و کارآمد تمرکز دارند و برای مسائل پیچیده‌ای مناسب هستند که در آن‌ها یافتن راه‌حل بهینه ممکن است غیرعملی یا از نظر محاسباتی پرهزینه باشند.

انواع الگوریتم‌های فراابتکاری

الگوریتم‌های فراابتکاری را می‌توان به عنوان «الگوریتم‌های الهام گرفته از طبیعت» (Nature-Inspired Algorithms | NIAs) تعریف کرد که برای حل مسئله، فرآیندهای مشاهده‌ شده در طبیعت را تقلید می‌کنند. به عبارتی، این الگوریتم‌ها از رفتار حیوانات، سیستم‌های بیولوژیکی و پدیده‌های طبیعی به منظور یافتن راه‌حل‌های بهینه یا نزدیک به بهینه الهام می‌گیرند و به عنوان ابزاری قدرتمند و متنوع برای مقابله با طیف گسترده‌ای از چالش‌های بهینه‌سازی و تصمیم‌گیری محسوب می‌شوند.

نحوه عملکرد الگوریتم‌های فراابتکاری بسته به پدیده طبیعی که از آن تقلید می‌کنند، متفاوت است. به عنوان مثال، برای طراحی برخی از این الگوریتم‌ها از فرآیند انتخاب طبیعی الهام گرفته شده است که این فرايند باعث می‌شود شانس افراد سازگارتر با طبیعت (محیط) برای زنده ماندن بیشتر شود و تولید مثل موفقی نسبت به سایر افراد داشته باشند و این امر منجر به بهبود تدریجی در جمعیت می‌شود. برخی دیگر از این الگوریتم‌ها، برگرفته از رفتار جمعی حیوانات هستند و بر پایه نحوه تعاملات و همکاری حیوانات هم‌نوع در یافتن غذا شکل گرفته‌اند. در ادامه، فهرستی از مهم‌ترین انواع الگوریتم های فراابتکاری را ملاحظه می‌کنید:

• الگوریتم‌های مبتنی بر گیاهان
• الگوریتم‌های مبتنی بر فیزیک»
• الگوریتم‌های تکاملی
• الگوریتم‌های مبتنی بر گله

پیش از آن که به توضیح هر یک از انواع الگوریتم های فراابتکاری بپردازیم، منابع آموزشی مرتبط با این الگوریتم‌ها را معرفی خواهیم کرد.

یادگیری الگوریتم های فراابتکاری با فرادرس

چنانچه به دنبال یادگیری الگوریتم‌های فراابتکاری هستید و قصد دارید کاربردها و نحوه پیاده‌سازی آن‌ها را با زبان‌های برنامه نویسی رایج نظیر پایتون یاد بگیرید، می‌توانید از مجموعه فیلم‌های آموزشی فرادرس استفاده کنید. فرادرس به عنوان جامع‌ترین پلتفرم آموزشی دوره‌های آموزشی کاملی را در این حوزه فراهم کرده است و افراد می‌توانند به فهرستی از کامل‌ترین آموزش‌های مرتبط با الگوریتم های فراابتکاری در این سایت دست پیدا کنند. در ادامه، برخی از عناوین فیلم‌های آموزشی فرادرس را ملاحظه می‌کنید:

• فیلم آموزش رایگان ساختار کلی الگوریتم‌های بهینه‌سازی فرادرس
• فیلم آموزش رایگان الگوریتم بهینه‌سازی سیاه‌چاله فرادرس
• فیلم آموزش مقدماتی پیاده‌سازی الگوریتم ژنتیک در پایتون فرادرس
• فیلم آموزش انتخاب ویژگی با استفاده از الگوریتم‌های فراابتکاری و تکاملی فرادرس

الگوریتم مبتنی بر زندگی گیاهان

الگوریتم‌های مبتنی بر گیاه دسته‌ای از الگوریتم‌های بهینه‌سازی هستند که برای طراحی آن‌ها از رفتارها و فرآیندهای مشاهده شده در گیاهان الهام گرفته شده است. به عبارتی، برخلاف الگوریتم‌های سنتی که اغلب بر مدل‌های ریاضی تکیه می‌کنند، الگوریتم‌های مبتنی بر گیاه بر تقلید از استراتژی‌های طبیعی گیاهان برای زنده ماندن، رشد و تولید مثل در محیط خود تمرکز دارند. حال ممکن است این پرسش در ذهن ما شکل بگیرد چرا برای طراحی یک الگوریتم از زندگی گیاهان الهام گرفته شده است؟

ممکن است گیاهان ساکن به نظر برسند، اما انعطاف‌پذیری و تدبیر قابل توجهی از خود نشان می‌دهند. آن‌ها می‌توانند الگوهای رشد، استراتژی‌های جستجوی ریشه و مکانیسم‌های پراکندگی بذر خود را برای رشد در محیط‌های متنوع و در حال تغییر بهینه کنند. این رفتارها الهام ارزشمندی برای توسعه الگوریتم‌های بهینه‌سازی برای مسائل پیچیده ارائه می‌دهند. به عبارتی، می‌توان ویژگی‌های کلیدی الگوریتم‌های مبتنی بر گیاهان را به صورت زیر برشمرد:

• تمرکز بر رفتار: این الگوریتم‌ها ساختار فیزیکی گیاهان را تکرار نمی‌کنند، بلکه بر تقلید از رفتارهای آن‌ها مانند تخصیص منابع، سازگاری و رقابت تمرکز دارند.
• قوانین ساده با نتایج پیچیده: الگوریتم‌های مبتنی بر گیاهان اغلب به قوانین ساده‌ای متکی هستند که عاملان فردی (که نشان‌ دهنده راه‌حل‌های بالقوه هستند) را کنترل می‌کنند. تعاملات بین این عوامل منجر به رفتارهای پیچیده نوظهوری می‌شود که می‌تواند راه‌حل‌های بهینه را پیدا کند.
• مناسب برای مسائل مختلف: طیف گسترده‌ای از رفتارهای گیاهی را می‌توان برای حل مسائل بهینه‌سازی مختلف، از تخصیص منابع گرفته تا زمان‌بندی وظایف، اقتباس داد.

در فهرست زیر، عناوین نمونه‌هایی از الگوریتم‌های مبتنی بر گیاه را ملاحظه می‌کنید:

• الگوریتم گرده افشانی گل
• الگوریتم بهینه‌سازی علف هرز مهاجم

در بخش بعدی مطلب حاضر، به توضیح هر یک از الگوریتم‌های ذکر شده خواهیم پرداخت و ویژگی‌های آن‌ها را شرح می‌دهیم.

الگوریتم گرده افشانی گل

الگوریتم گرده افشانی گل یک تکنیک بهینه‌سازی الهام‌ گرفته از طبیعت است که نحوه گرده افشانی گل‌ها توسط حشرات و باد را تقلید می‌کند. در اینجا لازم است توضیحی ساده از این الگوریتم ارائه کنیم تا درک این الگوریتم ساده‌تر شود. فرض کنید به دنبال بهترین راه‌حل برای یک مسئله هستید. در دنیای الگوریتم گرده افشانی گل، راه‌حل‌های بالقوه مانند گل‌ها هستند و کیفیت آن‌ها (چقدر راه‌حل خوبی هستند) مقدار گرده‌ای است که تولید می‌کنند. سپس گرده افشان‌ها (حشرات یا باد) گرده را بین گل‌ها حمل می‌کنند و به تبادل اطلاعات و در نهایت به ایجاد راه‌حل‌های (فرزند) بهتر (از طریق ترکیبی از راه‌حل‌های موجود) کمک می‌کنند. مفاهیم کلیدی این الگوریتم را در ادامه ملاحظه می‌کنید:

• گل‌ها: نماینده راه‌حل‌های بالقوه برای مسئله بهینه‌سازی شما هستند.
• گرده: نشان‌ دهنده کیفیت راه‌حل است (گرده بیشتر = راه‌حل بهتر).
• گرده افشانی: فرآیند انتقال اطلاعات بین راه‌حل‌ها است. این کار می‌تواند به دو صورت اتفاق بیفتد:
  • گرده افشانی جهانی: به شبیه‌سازی سفرهای طولانی‌مدت توسط گرده افشان‌ها گرده افشانی جهانی گفته می‌شود که اجازه کاوش در مناطق دوردست در فضای جستجو (راه‌حل‌های ممکن) را می‌دهد.
  • گرده افشانی محلی: شبیه‌سازی سفرهای کوتاه‌مدت توسط گرده افشان‌ها را گرده افشانی محلی می‌گویند که بر روی راه‌حل‌هایی که به یکدیگر نزدیک‌تر هستند (بهبود راه‌حل‌های موجود)، تمرکز دارد.

مراحل الگوریتم گرده افشانی گل

مراحل الگوریتم گرده افشانی گل را می‌توان در چند گام کوتاه خلاصه کرد که در ادامه به آن‌ها اشاره شده است:

1. وضعیت اولیه الگوریتم: مجموعه‌ای از گل‌ها (راه‌حل‌های کاندید) به طور تصادفی در فضای جستجو ایجاد می‌شوند. به هر راه‌حل بر اساس مسئله‌ای که سعی در حل آن دارید، مقدار کیفیتی اختصاص داده می‌شود.
2. گرده افشانی: فرآیند گرده افشانی در دو مرحله اتفاق می‌افتد:
   • گرده افشانی جهانی: برای هر گل، بر اساس یک گل باکیفیت (با گرده بیشتر) که به طور تصادفی از جمعیت انتخاب شده است، یک راه‌حل جدید ایجاد می‌شود. فاصله بین گل‌ها بر محل راه‌حل جدید تأثیر می‌گذارد.
   • گرده افشانی محلی: برای هر گل، بر اساس راه‌حل‌های موجود در مجاورت آن، یک راه‌حل جدید ایجاد می‌شود. این کار تنوع جزئی در راه‌حل‌های موجود ایجاد می‌کند.
3. انتخاب: راه‌حل‌های (فرزند) جدید با گل‌های مادر خود رقابت می‌کنند. فقط راه‌حل‌هایی با بهترین کیفیت (بیشترین گرده) زنده می‌مانند و به نسل بعدی می‌روند.
4. تکرار: مراحل ۲ و ۳ به دفعات مشخص (که از قبل تعیین شده است) تکرار می‌شوند و به جمعیت اجازه داده می‌شود تا به سمت راه‌حل‌های بهتر تکامل یابند.

مزایای مهمی را می‌توان برای الگوریتم گرده افشانی گل در نظر گرفت که به دلیل وجود این مزیت‌ها، از این الگوریتم در حل مسائل متنوعی استفاده می‌شود:

• درک و پیاده‌سازی ساده: مفهوم گرده افشانی گل آسان است و الگوریتم در مقایسه با سایر الگوریتم‌های بهینه‌سازی به پارامترهای کمتری نیاز دارد.
• موثر برای مسائل متنوع: از الگوریتم گرده افشانی گل برای حل مسائل بهینه‌سازی مختلف در مهندسی، یادگیری ماشین و سایر زمینه‌ها می‌توان استفاده کرد.
• همگرایی نسبتاً سریع: این الگوریتم اغلب می‌تواند راه‌حل‌های خوبی را در تعداد معقولی از تکرارها پیدا کند.

الگوریتم گرده افشانی گل دارای نقاط ضعفی است که آگاهی از آن‌ها لازمه استفاده از این الگوریتم است. در ادامه، مهم‌ترین معایب این الگوریتم را ملاحظه می‌کنید:

• پتانسیل گیر افتادن در نقاط بهینه محلی: مانند سایر الگوریتم‌های بهینه‌سازی، الگوریتم گرده افشانی گل ممکن است در نقاط بهینه محلی گیر کند و کار الگوریتم بدون یافتن بهینه‌ترین پاسخ اتمام یابد.
• تعادل بین اکتشاف و بهره‌برداری: یافتن تعادل مناسب بین گرده افشانی جهانی و محلی می‌تواند برای عملکرد بهینه این الگوریتم بسیار مهم باشد.
• کنترل محدود بر رفتار جستجو: این الگوریتم در مقایسه با برخی الگوریتم‌های پیچیده‌تر، کنترل کمتری بر فرآیند جستجو ارائه می‌دهد.

الگوریتم بهینه‌ سازی علف هرز مهاجم

الگوریتم بهینه‌سازی تهاجمی علف‌های هرز یک الگوریتم فرا ابتکاری الهام‌ گرفته از طبیعت است که از استراتژی‌های تهاجمی استعماری علف‌های هرز برای یافتن راه‌حل‌های بهینه برای مسائل پیچیده استفاده می‌کند. فرض کنید باغی وجود دارد که از گیاهان مختلف پوشیده شده است. همچنین، در این باغ علف‌های هرز مهاجم نیز وجود دارد که سعی‌شان بر این است رشد و تکثیر خود را به حداکثر برسانند. الگوریتم بهینه‌سازی تهاجمی علف‌های هرز از این رقابت برای جستجوی راه‌حل‌های بهینه برای مسئله تعریف شده استفاده می‌کند. پیش از آن که مراحل کلی این الگوریتم را شرح دهیم، به مفاهیم کلیدی این الگوریتم اشاره می‌کنیم:

• گیاهان: هر گیاه برای مسئله بهینه‌سازی شما به عنوان یک راه‌حل بالقوه محسوب می‌شود. ویژگی‌های گیاه (مانند اندازه و مقاومت) به متغیرهای موجود در راه‌حل شما نگاشته خواهد شد.
• کیفیت گیاه: کیفیت یک راه‌حل (گیاه) با استفاده از یک تابع هدف تعیین می‌شود. علف‌های هرز قوی‌تر و سالم‌تر (راه‌حل‌های بهتر) مقادیر کیفیت بالاتری دارند.
• پراکندگی بذر: علف‌های هرز با تولید بذرهایی که پراکنده می‌شوند و به طور بالقوه گیاهان جدیدی را جوانه می‌زنند، خود را تکثیر می‌کنند. این بذرها نشان‌ دهنده راه‌حل‌های بالقوه جدید هستند.
• رقابت: گیاهان برای منابع و فضا در باغ با یکدیگر رقابت می‌کنند. علف‌های هرز ضعیف‌تر (راه‌حل‌های بدتر) توسط علف‌های هرز قوی‌تر (راه‌حل‌های بهتر) از بین می‌روند.

مراحل الگوریتم تهاجمی علف های هرز

روال کار الگوریتم فراابتکاری تهاجمی علف‌های هرز را می‌توان در چندین مرحله خلاصه کرد که در ادامه به شرح این مراحل می‌پردازیم:

1. شروع کار الگوریتم: مجموعه‌ای از گیاهان (راه‌حل‌های کاندید) به طور تصادفی در فضای جستجو ایجاد می‌شود. تعداد و ویژگی‌های این گیاهان به مسئله تعریف شده بستگی دارد. کیفیت هر گیاه نیز با استفاده از تابع هدف ارزیابی می‌شود.
2. پراکندگی بذر: بر اساس میزان کیفیت، گیاهان تعدادی بذر (راه‌حل‌های جدید) تولید می‌کنند. گیاهانی که کیفیت بالاتری دارند، بذرهای بیشتری تولید می‌کنند. این بذرها در اطراف گیاه والد خود در فضای جستجو پراکنده می‌شوند. فاصله پراکندگی نیز با مقدار کیفیت گیاه مرتبط است. به عبارتی، گیاهان بهتر بذرها را در مناطق دورتر پراکنده می‌کنند تا به کاوش در ناحیه وسیع‌تر بپردازند.
3. گرده افشانی محلی: ممکن است بخش کوچکی از بذرها در نزدیکی گیاه والد خود پراکنده شوند. این امر نشان‌ دهنده یک مکانیسم جستجوی محلی است که تنوعات جزئی را در راه‌حل‌های موجود ایجاد می‌کند و امکان پالایش را فراهم می‌کند.
4. رقابت و انتخاب: همه گیاهان (گیاهان اصلی و گیاهان جدیدی که از پراکندگی بذر به وجود آمده‌اند) برای گسترش در فضا رقابت می‌کنند. این رقابت اغلب با استفاده از رویکردی مبتنی بر نزدیکی شبیه‌سازی می‌شود. به عبارتی، گیاهانی که به همسایگان باکیفیت نزدیک‌تر هستند، شانس بیشتری برای زنده ماندن دارند. علف‌های هرز ضعیف‌تر (راه‌حل‌های بدتر) از بین می‌روند و فقط گیاهان باکیفیت (بهترین راه‌حل‌ها) برای نسل بعدی باقی می‌مانند.
5. تکرار: مراحل ۲ تا ۴ به تعداد دفعات از پیش تعیین شده تکرار می‌شوند. این تکرار اجازه می‌دهد فرآیند تولید مثل گیاهان باکیفیت ادامه پیدا کند و گیاهان ضعیف‌تر از بین بروند.

الگوریتم فراابتکاری تهاجمی علف‌های هرز دارای مزیت‌های مختلفی است که می‌توان مهم‌ترین آن‌ها را در فهرست زیر برشمرد:

• سادگی: درک روال کار این الگوریتم آسان است.
• موثر برای مسائل مختلف: از این الگوریتم می‌توان در طیف وسیعی از مسائل بهینه‌سازی نظیر طراحی مهندسی، زمان‌بندی، تخصیص منابع و سایر حوزه‌ها استفاده کرد.
• پارامترهای نسبتاً کم: بر خلاف برخی الگوریتم‌های پیچیده، الگوریتم فراابتکاری تهاجمی علف‌های هرز برای پیکربندی به پارامترهای کمتری نیاز دارد که راه‌اندازی آن را ساده می‌کند و نیاز به تنظیم دقیق را کاهش می‌دهد.
• بهره‌برداری و کاوش متعادل: مکانیزم پراکندگی بذر امکان کاوش مناطق جدید در فضای جستجو (پراکندگی دورتر) را فراهم می‌کند، در حالی که گرده افشانی محلی، بهره‌برداری از راه‌حل‌های امیدوارکننده (پراکندگی نزدیک) را ترویج می‌کند.

این الگوریتم دارای نقاط ضعفی نیز هست که در هنگام استفاده از آن، باید مورد توجه قرار بگیرند. این معایب عبارت‌اند از:

• احتمال گیر افتادن در نقاط بهینه محلی: مانند سایر الگوریتم‌های بهینه‌سازی، الگوریتم فراابتکاری تهاجمی علف‌های هرز ممکن است در نقاط بهینه محلی گیر کند. در این الگوریتم، حفظ تعادل بین کاوش و بهره‌برداری برای اجتناب از این امر بسیار مهم است.
• کنترل محدود بر رفتار جستجو: در مقایسه با برخی الگوریتم‌های پیچیده‌تر، این الگوریتم کنترل مستقیم کمتری بر نحوه‌ پیشرفت فرآیند جستجو ارائه می‌دهد.
• هزینه محاسباتی بالا: برای مسائلی با جمعیت‌های بزرگ یا توابع هدف پیچیده، این الگوریتم بهینه‌سازی ممکن است از نظر محاسباتی پرهزینه باشد.

الگوریتم های مبتنی بر فیزیک

الگوریتم‌های مبتنی بر فیزیک نوعی از الگوریتم های فراابتکاری هستند که از قوانین فیزیک و پدیده‌های طبیعی برای حل مسائل پیچیده الهام می‌گیرند. این الگوریتم‌ها به طور مستقیم سیستم‌های فیزیکی را شبیه‌سازی نمی‌کنند، بلکه مفاهیم و اصول را از فیزیک قرض می‌گیرند تا با کمک آن‌ها به جستجوی راه‌حل‌های بهینه بپردازند. فرض کنید در حال حل یک مسئله طراحی مهندسی هستید. یک رویکرد مبتنی بر فیزیک ممکن است از مفاهیم و اصول رایج در علم فیزیک برای ارزیابی طرح‌های بالقوه استفاده کند که در ادامه به آن‌ها اشاره شده است:

• گرانش: یکی از مفاهیم علم فیزیک محسوب می‌شود که از آن برای طراحی الگوریتم‌ فراابتکاری استفاده شده است.
• حرکت: با الهام‌گیری از قوانین حرکت، الگوریتمی طراحی شده است که با استفاده از آن می‌توان راه‌حل‌ها را بر اساس وضعیت فعلی آن‌ها و تأثیر سایر راه‌حل‌ها به‌روزرسانی کرد.
• ترمودینامیک: از مفاهیم دیگر علم فیزیک است که با استفاده از آن الگوریتم‌هایی نظیر تبرید شبیه‌سازی شده طراحی شده است که بر اساس اصول خنک شدن فلزات به جستجوی بهترین پاسخ برای حل مسئله می‌پردازد.
• الکترومغناطیس: یکی دیگر از مفاهیم اصلی علم فیزیک است که بر پایه اصول آن الگوریتم‌هایی شکل گرفته‌اند که می‌توانند راه‌حل‌های مسائل را به صورت ذرات باردار مدل‌سازی کنند و با دافعه یا جاذبه حرکت آن‌ها در فضای جستجو، به پاسخ مناسب مسئله برسند.

الگوریتم‌های فراابتکاری مبتنی بر فیزیک رویکردی متنوع برای حل مسائل بهینه‌سازی در حوزه‌های مختلف ارائه می‌دهند. در اینجا نگاهی به برخی از کاربردهای آن‌ها دنیای واقعی می‌اندازیم:

• بهینه‌سازی سازه: شبیه‌سازی خواص مواد و نیروهای خارجی با استفاده از الگوریتم‌های الهام‌ گرفته از خاصیت ارتجاعی یا مکانیک می‌تواند به طراحی پل‌ها، ساختمان‌ها و هواپیماها با استحکام و وزن بهینه کمک کند.
• بهینه‌سازی انتقال حرارت: این الگوریتم‌ها که از ترمودینامیک الهام گرفته‌اند، می‌توانند بهینه‌سازی مبدل‌های حرارتی را در نیروگاه‌ها یا سیستم‌های خنک‌کننده در الکترونیک انجام دهند و مصرف انرژی را به حداقل برسانند.
• بهینه‌سازی جریان سیال: الگوریتم‌های مبتنی بر اصول دینامیک سیالات می‌توانند به طراحی وسایل نقلیه آیرودینامیکی کارآمد (خودرو، هواپیما) یا بهینه‌سازی جریان سیال در خطوط لوله کمک کنند و تلفات انرژی را کاهش دهند.
• آموزش شبکه عصبی: از برخی الگوریتم‌های مبتنی بر فیزیک می‌توان برای آموزش شبکه‌های عصبی مصنوعی استفاده و فرآیند یادگیری مغز انسان را تقلید کرد. این امر می‌تواند عملکرد تشخیص تصویر، «پردازش زبان طبیعی» (Natural Language Processing) و سایر برنامه‌های هوش مصنوعی را بهبود بخشد.
• پیش‌بینی بازار: برخی از الگوریتم‌های مبتنی بر فیزیک می‌توانند برای تجزیه و تحلیل روند بازار و شناسایی حباب‌ها یا سقوط‌های بالقوه اقتصادی مورد استفاده قرار گیرند.
• خوشه‌بندی داده: این الگوریتم‌ها می‌توانند برای گروه‌بندی نقاط داده مشابه استفاده شوند که به کارهایی مانند بخش‌بندی مشتریان یا تشخیص ناهنجاری کمک می‌کند.

در ادامه، عناوین برخی از پرکاربردترین الگوریتم های فراابتکاری مبتنی بر فیزیک را ملاحظه می‌کنید:

• الگوریتم سیاهچاله
• الگوریتم جستجوی گرانشی
• الگوریتم تبرید شبیه‌‌سازی شده

در بخش بعدی، به توضیح ویژگی‌ها و عملکرد هر یک از الگوریتم‌های مبتنی بر فیزیک می‌پردازیم.

الگوریتم سیاهچاله

الگوریتم سیاهچاله را می‌توان به عنوان یکی از الگوریتم‌های بهینه‌سازی نسبتاً جدید تلقی کرد که برای طراحی آن از رفتار سیاهچاله‌ها در فضا الهام گرفته شده است. فرض کنید تعدادی راه‌حل کاندید برای مسئله بهینه‌سازی شما در فضا شناور هستند. این راه‌حل‌ها اشیاء با جرم‌های مختلف را نشان می‌دهند. دقیقاً مانند فضای واقعی، اشیاء با جرم بیشتر کشش گرانشی قوی‌تری را اعمال می‌کنند. برای درک الگوریتم سیاهچاله لازم است با مفاهیم تخصصی زیر آشنا شویم:

• جرم راه‌حل: نشان‌ دهنده کیفیت یک راه‌حل است. جرم بیشتر نشان می‌دهد راه‌حل تعریف شده راه‌حل خوبی است.
• کشش گرانشی: راه‌حلی با جرم بیشتر کشش قوی‌تری بر روی سایر راه‌حل‌ها اعمال و آن‌ها را به خود جذب می‌کند.
• افق رویداد: مرزی مجازی به دور سیاهچاله افق رویداد نامیده می‌شود (راه‌حل با بالاترین جرم) که فرار از آن غیرممکن است.
• تبادل اطلاعات: راه‌حل‌ها می‌توانند در طول حرکت خود اطلاعات را با یکدیگر رد و بدل کنند که این امر به طور بالقوه منجر به جمعیت (راه‌حل‌های) متنوع‌تر و بهبود یافته می‌شود.

مراحل الگوریتم سیاهچاله

می‌توان مراحل الگوریتم سیاهچاله را برای یافتن پاسخ مسئله به صورت زیر خلاصه کرد:

1. شروع الگوریتم: مجموعه‌ای از راه‌حل‌های کاندید به طور تصادفی در فضای جستجو ایجاد می‌شوند. به هر راه‌حل بر اساس کیفیت اولیه آن جرمی اختصاص داده می‌شود.
2. ارزیابی کیفیت: میزان کیفیت هر راه‌حل بر اساس مسئله خاصی که سعی در حل آن دارید، ارزیابی می‌شود. راه‌حلی با بالاترین کیفیت به «سیاهچاله» تبدیل می‌شود.
3. محاسبه کشش گرانشی: کشش گرانشی اعمال شده توسط هر راه‌حل بر روی راه‌حل دیگر بر اساس جرم و موقعیت آن‌ها در فضای جستجو محاسبه می‌شود.
4. به‌روزرسانی حرکت: راه‌حل‌ها بر اساس کشش گرانشی ترکیبی از تمام راه‌حل‌های دیگر به‌روزرسانی می‌شوند. راه‌حل‌هایی با کیفیت کمتر به سمت راه‌حل‌هایی با کیفیت بیشتر (از جمله سیاهچاله) کشیده می‌شوند.
5. تبادل اطلاعات (اختیاری): در طول حرکت، راه‌حل‌ها ممکن است اطلاعاتی را با یکدیگر تبادل کنند که به طور بالقوه منجر به ایجاد راه‌حل‌های جدید و بهبود یافته می‌شود.
6. تکرار: مراحل ۲ تا ۵ به تعداد از پیش تعیین شده‌ تکرار می‌شوند تا به جمعیت اجازه دهد به سمت راه‌حل‌های بهتر تکامل یابد.

الگوریتم سیاهچاله در طیف وسیعی از مسائل بهینه‌سازی در زمینه‌های مختلف به کار گرفته شده است که در ادامه به چند نمونه از این کاربردها اشاره می‌کنیم:

• بهینه‌سازی طراحی: الگوریتم فراابتکاری سیاهچاله می‌تواند برای بهینه‌سازی طراحی سازه‌های مهندسی به منظور یافتن راه‌حل‌هایی مناسب و تاثیرگذار در کاهش استفاده از مواد یا هزینه استفاده شود. به عنوان مثال، می‌توان از این الگوریتم برای طراحی بال‌های سبک‌تر و قوی‌تر هواپیما استفاده کرد.
• طراحی سیستم کنترل: الگوریتم سیاهچاله می‌تواند برای طراحی سیستم‌های کنترل برای ربات‌ها یا سایر ماشین‌ها استفاده شود. این الگوریتم می‌تواند پارامترهای کنترل کننده نظیر دقت و پایداری را پیدا کند که عملکرد سیستم را بهینه می‌کنند.
• خوشه‌بندی: از این الگوریتم می‌توان برای گروه‌بندی نقاط داده در خوشه‌ها بر اساس شباهت آن‌ها استفاده کرد. این کار می‌تواند برای وظایفی مانند تقسیم‌بندی مشتریان یا تقسیم‌بندی تصویر مفید باشد.
• تنظیم پارامتر: الگوریتم سیاهچاله می‌تواند برای بهینه‌سازی ابرپارامترهای مدل‌های یادگیری ماشین استفاده شود. این پارامترها می‌توانند تأثیر قابل توجهی بر عملکرد مدل داشته باشند و به یافتن بهترین تنظیمات کمک کند.
• پردازش تصویر: این الگوریتم می‌تواند برای بهبود کیفیت تصویر، حذف نویز از تصاویر یا افزایش ویژگی‌ها استفاده شود.
• شبکه‌های حسگر بی‌سیم: الگوریتم سیاهچاله می‌تواند به بهینه‌سازی پروتکل‌های مسیریابی در شبکه‌های حسگر بی‌سیم کمک کند و اطمینان حاصل کند که انتقال داده به طور کارآمد انجام می‌شود.
• مدیریت زنجیره تامین: الگوریتم BHA می‌تواند برای بهینه‌سازی لجستیک و حمل و نقل در یک زنجیره تامین به منظور به حداقل رساندن هزینه‌ها و زمان تحویل استفاده شود.

الگوریتم سیاهچاله دارای مزیت‌های مهمی است که باعث می‌شوند از آن در حل مسائل مختلفی بتوان استفاده کرد. در ادامه مزیت‌های این الگوریتم را ملاحظه می‌کنید:

• سادگی: برای مسائلی که مفهوم کیفیت در آن‌ها به خوبی تعریف شده است، درک این الگوریتم آسان است.
• پیاده‌سازی نسبتاً ساده: درک عملکرد این الگوریتم ساده است و در مقایسه با برخی الگوریتم‌ها به پارامترهای کمتری نیاز دارد.
• موثر برای مسائل متنوع: از الگوریتم سیاهچاله برای حل مسائل مختلف بهینه‌سازی در مهندسی، کاوش داده و سایر زمینه‌ها می‌توان به صورت موثر استفاده کرد.

الگوریتم سیاهچاله دارای نقاط ضعفی نیز هست که در هنگام استفاده از آن، باید مورد توجه قرار بگیرند. در ادامه، معایب این الگوریتم را ملاحظه می‌کنید:

• پتانسیل همگرایی زودهنگام: کشش قوی سیاهچاله ممکن است منجر به همگرایی سریع جمعیت روی یک راه‌حل بهینه محلی شود.
• کاوش محدود فضای جستجو: راه‌حل‌ها ممکن است بدون کاوش در سایر مناطق فضای جستجو، در مدار سیاهچاله گیر کنند.
• حساسیت به تنظیم پارامتر: عملکرد این الگوریتم می‌تواند به نحوه پیکربندی پارامترهایی مانند مکانیسم تبادل اطلاعات وابسته باشد.

الگوریتم جستجوی گرانشی

الگوریتم جستجوی گرانشی (GS) یک تکنیک «بهینه‌سازی مبتنی بر جمعیت» (Population-based Optimization) است که از قانون جاذبه نیوتن و قانون حرکت برای طراحی آن الهام گرفته شده است. فرض کنید تعدادی جرم سماوی مانند ستاره یا سیاره وجود دارد. این اجرام نشان‌ دهنده راه‌حل‌های بالقوه برای مسئله بهینه‌سازی هستند. جرم (کیفیت) این اجرام آسمانی تحت تأثیر کیفیت آن‌ها و جاذبه‌ای گرانشی وارد شده به یکدیگر قرار می‌گیرند. این کشش، حرکت اجرام را در فضای جستجو هدایت می‌کند تا راه‌حل‌های بهتر را پیدا کنند. اصلی‌ترین مفاهیم مرتبط با این الگوریتم را در ادامه ملاحظه می‌کنید:

• جرم: نشان‌ دهنده میزان کیفیت یک راه‌حل است. هر چقدر کیفیت یک راه‌حل بیشتر باشد، جرم سیاره یا ستاره بیشتر است.
• گرانش: نیرویی که بر اساس جرم اجرام (راه‌حل) محاسبه می‌شود و بر حرکت آن‌ها تأثیر می‌گذارد.
• شتاب: تغییر سرعت یک جرم به دلیل کشش گرانشی اجرام دیگر را نشان می‌دهد.
• موقعیت: نشان‌ دهنده یک راه‌حل بالقوه در فضای جستجو است.
• سرعت: جهت و سرعت حرکت یک جرم را تعیین می‌کند.

مراحل الگوریتم فراابتکاری جستجوی گرانشی

مراحل الگوریتم فراابتکاری جستجوی گرانشی را می‌توان به شرح زیر خلاصه کرد:

1. شروع کار الگوریتم: مجموعه‌ای از راه‌حل‌های کاندید (اجرام) به طور تصادفی در فضای جستجو ایجاد می‌شوند. به هر یک از این راه‌حل‌ها جرم و سرعت اولیه اختصاص داده می‌شود.
2. ارزیابی کیفیت سیاره: کیفیت هر راه‌حل بر اساس مسئله تعریف شده ارزیابی می‌شود.
3. ثابت گرانشی: ثابت گرانشی بر اساس تکرار فعلی و اندازه کل جمعیت محاسبه می‌شود.
4. به‌روزرسانی جرم سیاره: جرم هر سیاره بر اساس نمره کیفیت آن به‌روزرسانی می‌شود. راه‌حل‌های بهتر جرم بیشتری دریافت می‌کنند.
5. محاسبه نیروی گرانشی: نیروی گرانشی که هر جرم بر هر جرم دیگر اعمال می‌کند، بر اساس جرم و موقعیت آن‌ها محاسبه می‌شود.
6. به‌روزرسانی شتاب سیاره: شتاب هر جرم (راه‌حل) بر اساس نیروی گرانشی خالصی محاسبه می‌شود که بر آن اعمال می‌شود.
7. به‌روزرسانی سرعت سیاره: سرعت هر جرم (راه‌حل) بر اساس سرعت فعلی و شتاب آن به‌روزرسانی می‌شود.
8. به‌روزرسانی موقعیت سیاره: موقعیت هر جرم در فضای جستجو بر اساس موقعیت فعلی و سرعت آن به‌روزرسانی می‌شود.
9. تکرار: مراحل ۲ تا ۸ به دفعات مشخص شده تکرار می‌شوند و به جمعیت اجازه می‌دهند تا به سمت راه‌حل‌های بهتر تکامل یابند.

برای الگوریتم جستجوی گرانشی می‌توان مزیت‌هایی را برشمرد که در ادامه به آن‌ها اشاره شده است:

• مناسب برای حل مسائل شهودی: این الگوریتم برای مسائلی مناسب است که در آن مفهوم کیفیت به طور واضح و قابل درک بیان می‌شود.
• پارامترهای نسبتاً کم: در مقایسه با برخی دیگر از الگوریتم‌ها، الگوریتم جستجوی گرانشی دارای پارامترهای کمی است.
• مناسب برای فضای جستجوی پیوسته: این الگوریتم برای مسائلی مناسب است که در آن‌ها راه‌حل‌ها می‌توانند هر مقداری در یک محدوده تعریف شده داشته باشند.

با این که الگوریتم فراابتکاری جستجوی گرانشی در مسائل متنوعی مورد استفاده قرار می‌گیرد، دارای نقاط ضعفی است که نباید نادیده گرفته شوند. در ادامه، معایب این الگوریتم ذکر شده‌اند:

• گیر کردن در نقاط بهینه محلی: مانند سایر الگوریتم‌های بهینه‌سازی، الگوریتم جستجوی گرانشی ممکن است در نقاط بهینه محلی گیر کند و نتواند بهترین راه‌حل را برای مسئله بیابد.
• هزینه محاسباتی: این الگوریتم برای مسائلی با جمعیت‌های بزرگ یا فضای جستجوی پیچیده از نظر محاسباتی پرهزینه است.
• حساس به مقدارددهی پارامترها: عملکرد الگوریتم GSA به شدت به مقادیر پارامترهای انتخابی بستگی دارد.

الگوریتم تبرید شبیه‌ سازی شده

الگوریتم تبرید شبیه‌سازی شده (SA) یک تکنیک بهینه‌سازی است که برای طراحی آن از فرآیند خنک شدن فلزات الهام گرفته شده است. فرض کنید فلز مذابی را به آرامی خنک می‌کنید. در ابتدا، اتم‌های فلز پراکنده هستند و فلز می‌تواند در یک حالت ناهموار و ناقص (حداقل محلی) گرفتار شود. با خنک شدن (تکرار الگوریتم SA)، اتم‌ها سازمان‌یافته‌تر می‌شوند و به وضعیتی پایدارتر و کم‌انرژی‌تر (نقطه بهینه سراسری) می‌رسند. با این حال، اگر خنک شدن خیلی سریع اتفاق بیفتد، فلز ممکن است در حالت مطلوبی نباشد. در الگوریتم تبرید شبیه‌سازی شده سه مفهوم اصلی مطرح می‌شود. اینجا لازم است برای درک نحوه عملکرد این الگوریتم، به مفاهیم اصلی آن اشاره کنیم:

• «حالت» (State): یک راه‌حل ممکن برای حل مسئله را مشخص می‌کند.
• انرژی: معیاری است که نشان می‌دهد کیفیت راه‌حل برای حل مسئله چقدر است. راه‌حل‌هایی که انرژی کم‌تری دارند، راه‌حل‌های مناسب‌تری هستند.
• دما: احتمال پذیرش راه‌حل‌های بدتر را کنترل می‌کند.

مراحل الگوریتم فراابتکاری تبرید شبیه‌ سازی شده

نحوه عملکرد الگوریتم فراابتکاری تبرید شبیه‌سازی شده را می‌توان به گونه زیر شرح داد:

1. شروع کار الگوریتم: یک راه‌حل اولیه تصادفی (حالت) با دمای بالا در نظر گرفته می‌شود.
2. ایجاد همسایه: با اعمال کمی اصلاحات بر روی راه‌حل فعلی (حالت)، نسخه جدیدی (همسایه جدید) از آن ایجاد می‌شود.
3. ارزیابی همسایه: انرژی راه‌حل همسایه محاسبه می‌شود. چنانچه همسایه، انرژی کمتری داشته باشد (راه‌حل بهتر)، پذیرفته می‌شود. اگر همسایه انرژی بیشتری داشته باشد (راه‌حل بدتر)، ممکن است هنوز بر اساس دمای فعلی پذیرفته شود. این امر امکان فرار از نقاط بهینه محلی را فراهم می‌کند.
4. به‌روزرسانی دما: دما به تدریج در طول زمان کاهش پیدا می‌کند. این امر احتمال پذیرش راه‌حل‌های بدتر را با پیشرفت جستجو کاهش می‌دهد.
5. تکرار: مراحل ۲ تا ۵ به دفعات مشخصی تکرار می‌شوند تا در نهایت پاسخ مناسبی برای مسئله پیدا شود.

الگوریتم تبرید شبیه‌سازی شده به دلیل مزایایی که دارد، در حل مسائل مختلف مورد توجه قرار می‌گیرد. در ادامه، به مهم‌ترین ویژگی‌های مثبت این الگوریتم اشاره شده است:

• مناسب برای مسائل پیچیده: در مقایسه با سایر الگوریتم‌ها، الگوریتم تبرید شبیه‌سازی شده برای مسائل پیچیده با نقاط بهینه محلی زیاد به خوبی عمل می‌کند.
• پارامترهای نسبتاً کم: در مقایسه با برخی الگوریتم‌ها، این الگوریتم نیاز به تنظیم چند پارامتر محدود دارد.

علاوه بر نقاط مثبت، برای الگوریتم فراابتکاری تبرید شبیه‌سازی شده می‌توان معایبی را در نظر گرفت که در ادامه آن‌ها را ملاحظه می‌کنید:

• پرهزینه بودن: فرآیند کاهش تدریجی دما می‌تواند این الگوریتم را برای مسائل پیچیده از نظر محاسباتی پرهزینه کند.
• عدم تضمین برای یافتن نقطه بهینه سراسری: مانند سایر الگوریتم‌های بهینه‌سازی، این الگوریتم ممکن است بهترین راه‌حل را برای مسئله پیدا نکند.
• تنظیم پارامتر: تنظیم پارامترهای الگوریتم برای خنک‌سازی (نرخ کاهش دما) بسیار مهم است و با مقداردهی مقادیر نامناسب، این الگوریتم عملکرد خوبی نخواهد داشت.

الگوریتم های فراابتکاری تکاملی

الگوریتم‌های تکاملی (EAs) نوع قدرتمندی از الگوریتم‌های بهینه‌سازی و نوعی از الگوریتم‌های فراابتکاری هستند که از اصول تکامل بیولوژیکی الهام گرفته‌اند. به عبارتی، این الگوریتم‌ها از فرآیند انتخاب طبیعی تقلید می‌کنند. تصور کنید جمعیتی از حیوانات با صفات مختلف وجود دارد. جانورانی که صفاتشان برای محیط مناسب‌تر هستند (تناسب)، احتمال زنده ماندنشان در طبیعت افزایش می‌یابند و با تولید مثل ژن‌های خود (راه‌حل‌ها) را به نسل بعدی منتقل می‌کنند.

هدف اصلی الگوریتم‌های تکاملی یافتن راه‌حل‌های خوب، نه لزوماً راه‌حل بهینه سراسری، برای مسائل پیچیده است. به علاوه، این الگوریتم‌ها از قابلیت انطباق برخوردار هستند و می‌توانند برخلاف روش‌های بهینه‌سازی سنتی در مسائلی با فضای جستجوی بزرگ و روابط غیرخطی بین متغیرها به خوبی عمل کنند. همچنین، الگوریتم‌های تکاملی می‌توانند در برابر نویز یا عدم قطعیت در تعریف مسئله مقاوم باشند و به این ترتیب از این روش‌ها می‌توان به خوبی در سناریوهای دنیای واقعی استفاده کرد. انواع مختلفی از الگوریتم‌های تکاملی وجود دارند که در ادامه برخی از پرکاربردترین آن‌ها را ملاحظه می‌کنید:

• الگوریتم بهینه‌سازی ازدحام ذرات
• الگوریتم فرهنگی
• الگوریتم ژنتیک

در ادامه این بخش از مطلب حاضر به توضیح ویژگی‌ها و نحوه عملکرد هر یک از الگوریتم‌های ذکر شده در فهرست بالا می‌پردازیم.

الگوریتم فراابتکاری بهینه‌سازی ازدحام ذرات

الگوریتم بهینه‌سازی ازدحام ذرات یکی از روش‌های بهینه‌سازی است که از رفتار دسته‌ای از پرندگانی تقلید می‌کند که به دنبال پیدا کردن غذا هستند. هر پرنده (ذره) نماینده یک راه‌حل بالقوه برای مسئله است. پرندگان جهت پرواز خود را بر اساس مکان‌هایی تنظیم می‌کنند که از قبل در آ‌نجا غذا پیدا کرده‌اند یا سایر پرندگان در آن مکان غذایی یافته‌اند.

به طور مشابه، ذرات در الگوریتم بهینه‌سازی ازدحام ذرات در فضای جستجو حرکت می‌کنند و تحت تأثیر بهترین موقعیت‌هایی قرار می‌گیرند که تاکنون بهترین راه‌حل را در آن‌جا پیدا کرده‌اند یا سایر ذرات در آنجا به بهترین راه‌حل رسیده‌اند. هر ذره دارای یک حافظه درونی است که دانش خود را در آن ذخیره می‌کند و بر اساس آن جهت و سرعت حرکت خود را برای پیدا کردن پاسخ مناسب تنظیم می‌کند. از الگوریتم بهینه‌سازی ازدحام ذرات در حل مسائل مختلفی استفاده می‌شود که در ادامه برخی از آن‌ها را ملاحظه می‌کنید:

• طراحی مهندسی: بهینه‌سازی طرح‌ها برای محصولات، زمان‌بندی خطوط تولید و تخصیص منابع را می‌توان جزو مسائلی دانست که از الگوریتم بهینه‌سازی ازدحام ذرات می‌توان برای آن‌ها استفاده کرد.
• یادگیری ماشین: این الگوریتم در تنظیم ابرپارامترها برای الگوریتم‌ها و آموزش شبکه‌های عصبی کاربرد دارد.
• رباتیک: کنترل حرکات ربات و برنامه‌ریزی مسیر برای وسایل نقلیه خودمختار از دیگر مسائلی هستند که می‌توان برای حل آن‌ها از الگوریتم بهینه‌سازی ازدحام ذرات بهره گرفت.
• امور مالی: بهینه‌سازی سبد سهام، مدیریت ریسک و توسعه استراتژی‌های معاملاتی را نیز می‌توان جزو اموری دانست که این الگوریتم در انجام آن‌ها مورد استفاده قرار می‌گیرد.

الگوریتم بهینه‌سازی ازدحام ذرات دارای مزیت‌های مهمی است که باعث می‌شود برنامه نویسان آن را در حل مسائل خود مد نظر قرار دهند. در ادامه، برخی از مزایای این الگوریتم ذکر شده‌اند:

• درک آسان: درک عملکرد این الگوریتم ساده است و به راحتی از آن می‌توان در حل مسائل استفاده کرد.
• پارامترهای کم: در مقایسه با برخی الگوریتم‌ها، این الگوریتم نیاز به تنظیم پارامترهای زیادی ندارد.
• همگرایی سریع: الگوریتم بهینه‌سازی ازدحام ذرات راه‌حل‌های خوبی را در زمان کوتاه پیدا می‌کند.

این الگوریتم فراابتکاری دارای معایبی نیز هست که نمی‌توان آن‌ها را نادیده گرفت. در ادامه، برخی از نقاط ضعف این الگوریتم را ملاحظه می‌کنید:

• گیر کردن در نقاط بهینه محلی: الگوریتم فراابتکاری بهینه‌سازی ازدحام ذرات گاهی اوقات ممکن است در نقاط بهینه محلی گیر کند و نتواند بهترین پاسخ را برای مسئله بیابد.
• عدم کارایی در مسائلی با ابعاد بالا: در مسائلی با متغیرهای زیاد (ابعاد بالا)، این الگوریتم فراابتکاری ممکن است در یافتن راه‌حل‌های بهینه با مشکل مواجه شود.
• حساس به شرایط اولیه: نحوه قرارگیری اولیه ذرات می‌تواند بر نتیجه نهایی تأثیر بگذارد و تعیین موقعیت اولیه آن‌ها نیاز به دقت دارد.

الگوریتم فرهنگی چیست؟

الگوریتم‌های فرهنگی نوعی الگوریتم فراابتکاری محسوب می‌شود که از مفهوم تکامل فرهنگی در جوامع انسانی الهام گرفته شده است. در این الگوریتم استراتژی‌های حل مسئله فردی (جمعیت‌ها) با مکانیسم‌های یادگیری اجتماعی ترکیب می‌کنند تا راه‌حل‌ها را در طول زمان بهبود بخشند. با یک مثال ساده می‌توانیم نحوه عملکرد این الگوریتم را توضیح دهیم.

محله‌‌ای را فرض کنید که در آن افراد (راه‌حل‌های بالقوه) مختلفی زندگی می‌کنند. افراد این محله برای حل مسئله‌ای، از همسایگان موفق خود یاد می‌گیرند. به عنوان مثال، یاد می‌گیرند که یک غذای مخصوصی را به چه نحو آماده کنند. گاهی اوقات، راه‌حل‌ها یا باورهای موفق بین محله‌ها به اشتراک گذاشته می‌شود و دانش در کل جامعه پخش می‌شود. به مرور زمان ایده‌های جدید (جهش‌ها) برای حفظ تنوع و کاوش در امکانات جدید ارائه می‌شوند و با تکرار این مراحل (نسل‌ها)، محله‌ها راه‌حل‌ها و باورهای خود را از طریق یادگیری و به اشتراک گذاری بهبود می‌بخشند.

عملکرد الگوریتم فرهنگی از چنین روالی ایده گرفته است و بر پایه تکامل فرهنگی در زندگی انسان به حل مسئله می‌پردازد. این الگوریتم چندین جمعیت را در نظر می‌گیرد که هر کدام نماینده یک فرهنگ کوچک با مجموعه‌ای از راه‌حل‌های کاندیدا (افراد) و باورها (دانش در مورد حل مسئله) هستند. هر فرد (راه‌حل) در یک جمعیت بر اساس تناسب خود با مسئله ارزیابی می‌شود. افراد در یک جمعیت می‌توانند از همسایگان موفق یاد بگیرند و عناصر راه‌حل‌ها و باورهای آن‌ها را اتخاذ کنند.

به علاوه، می‌توان مکانیسم‌های یادگیری اجتماعی گسترده‌تری مانند به اشتراک گذاشتن راه‌حل‌ها یا باورهای موفق در سراسر جمعیت‌ها را در نظر گرفت که این امر به تبادل دانش و پیشرفت‌های بالقوه در حل مسئله کمک می‌کند. افراد یا باورهای جدید ممکن است برای حفظ تنوع و کاوش در امکانات جدید راه‌حل به جمعیت‌ها معرفی شوند. این مراحل در طول نسل‌ها تکرار می‌شوند و به جمعیت‌ها اجازه می‌دهند راه‌حل‌ها و باورهای خود را از طریق یادگیری فردی و تعامل اجتماعی تکامل دهند.

الگوریتم‌ فرهنگی برای مسائلی مناسب هستند که در آن‌ها راه‌حل‌های فردی می‌توانند از طریق تعامل و یادگیری دانش به اشتراک گذاشته شده، خود را بهبود دهند. در اینجا چند نمونه از کاربردهای این الگوریتم را ملاحظه می‌کنید:

• یادگیری ماشین: از الگوریتم فرهنگی می‌توان به منظور تکامل مدل‌های یادگیری مشارکتی استفاده کرد که در آن یادگیرندگان فردی برای بهبود عملکرد کلی با یکدیگر همکاری می‌کنند.
• مسائل بهینه‌سازی: برای حل مسائلی نظیر بهینه‌سازی طرح‌ها، برنامه‌ریزی وظایف یا تخصیص منابع می‌توان از الگوریتم فرهنگی در موقعیت‌هایی استفاده کرد که دیدگاه‌ها یا رویکردهای مختلف ممکن است مفید باشند.
• رباتیک: در فرآیند تکامل استراتژی‌های کنترلی برای ربات‌ها که در آن یادگیری اجتماعی می‌تواند به آن‌ها کمک کند تا با موقعیت‌ها یا محیط‌های جدید سازگار شوند.
• تجزیه و تحلیل شبکه‌های اجتماعی: از دیگر کاربردهای الگوریتم فرهنگی درک نحوه انتشار اطلاعات و رفتار کاربران در شبکه‌های اجتماعی است.

الگوریتم‌ فرهنگی از مزایای مهمی برخوردار است که آن را برای حل مسائل مختلف کارآمد می‌کند. در ادامه، مزیت‌های این الگوریتم ذکر شده‌اند:

• موثر برای مسائل پیچیده: این الگوریتم می‌تواند در حل مسائلی مورد استفاده قرار گیرد که در آن‌ها راه‌حل‌های فردی از تعامل و یادگیری بهره می‌برند.
• تنوع: الگوریتم فرهنگی جمعیت‌ها و باورهای متنوعی را حفظ می‌کند که به طور بالقوه منجر به راه‌حل‌های جدید می‌شوند.
• قابلیت تفسیرپذیری: باورها در داخل الگوریتم می‌توانند بینشی در مورد نحوه یافتن راه‌حل‌ها ارائه دهند.

علی‌رغم مزیت‌های مهم این الگوریتم، می‌توان معایبی نیز برای آن برشمرد:

• پیچیدگی: طراحی و تنظیم پارامترهای این الگوریتم ممکن است در مقایسه با الگوریتم‌های ساده‌تر چالش برانگیزتر باشد.
• هزینه محاسباتی: حفظ چندین جمعیت و مکانیسم‌های یادگیری اجتماعی می‌تواند برای مشکلات بزرگ از نظر محاسباتی پرهزینه باشد.
• عدم تضمین‌های همگرایی: این الگوریتم مشابه برخی از الگوریتم های فراابتکاری تضمینی نمی‌دهد که بهترین پاسخ مسئله را پیدا کند.

الگوریتم فراابتکاری ژنتیک

الگوریتم ژنتیک (GA) نوع قدرتمندی از الگوریتم‌های الهام گرفته از طبیعت است که فرآیند انتخاب طبیعی در تکامل بیولوژیکی را تقلید می‌کند. این الگوریتم به طور گسترده برای حل مشکلات پیچیده بهینه‌سازی و جستجو در فضایی به کار می‌رود که ممکن است فرمول مشخصی برای یافتن بهترین راه‌حل وجود نداشته باشد. مراحل الگوریتم فراابتکاری ژنتیک را می‌توان به شرح زیر خلاصه کرد:

• ایجاد جمعیت: الگوریتم ژنتیک کار خود را با تعریف جمعیت آغاز می‌کند که مجموعه‌ای از راه‌حل‌های کاندید را شامل می‌شود و آن‌ها را می‌توان با رشته‌ای از کاراکترها (کروموزوم‌ها) نشان داد. این راه‌حل‌ها می‌توانند بسته به مسئله، طرح‌های بالقوه یا پیکربندی‌ها تعریف شوند.
• ارزیابی تناسب: تناسب هر راه‌حل در جمعیت بر اساس کیفیت حل مسئله سنجیده می‌شود. این ارزیابی می‌تواند شامل امتیازدهی یا محاسبه تابع هزینه باشد.
• انتخاب راه‌حل‌های مناسب: راه‌حل‌هایی که تناسب مناسبی دارند و عملکردشان نسبت به سایر راه‌حل‌ها بهتر است، برای تولید مثل در نسل بعدی انتخاب می‌شوند.
• تقاطع: راه‌حل‌های انتخاب‌ شده تحت عمل تقاطع قرار می‌گیرند که در طی فرآیند، بخش‌هایی از کروموزوم‌های آن‌ها برای ایجاد راه‌حل‌های جدید (فرزندان) در نسل بعدی مبادله می‌شوند.
• جهش: با احتمال خیلی کم، تغییرات تصادفی (جهش‌ها) در کروموزوم‌های فرزندان ایجاد می‌شود که این تغییرات به حفظ تنوع در جمعیت و کاوش در امکانات جدید راه‌حل کمک می‌کند.
• جایگزینی: نسل بعدی با جایگزینی بخشی از جمعیت قدیمی با فرزندان تازه تشکیل می‌شود.
• تکرار: فرآیندهای ارزیابی، انتخاب، تقاطع، جهش و جایگزینی برای تعداد مشخصی از نسل‌ها تکرار می‌شود و به جمعیت اجازه می‌دهد تا به سمت راه‌حل‌های بهتر تکامل یابد.

الگوریتم ژنتیک طیف وسیعی از کاربردها را در سراسر حوزه‌های مختلف دارد که در ادامه برخی از این کاربردها را ملاحظه می‌کنید:

• مهندسی: از الگوریتم ژنتیک می‌توان به منظور بهینه‌سازی طرح‌ها برای محصولات، برنامه‌ریزی خطوط تولید و تخصیص منابع بهره گرفت.
• یادگیری ماشین: انتخاب ویژگی و تنظیم ابرپارامترها برای مدل‌ها از دیگر کاربردهای الگوریتم ژنتیک محسوب می‌شوند.
• امور مالی: بهینه‌سازی سبد سهام، مدیریت ریسک و توسعه استراتژی‌های معاملاتی دیگر حوزه‌هایی هستند که در آن‌ها می‌توان از مزیت‌های الگوریتم فراابتکاری ژنتیک بهره‌مند شد.
• رباتیک: الگوریتم ژنتیک در برنامه‌ریزی مسیر برای ربات‌ها و بهینه‌سازی سیستم کنترل کاربرد دارد.

الگوریتم ژنتیک دارای مزیت‌های مهمی است و به همین دلیل در حل بسیاری از مسائل مورد استفاده قرار می‌گیرد. مزیت‌های این الگوریتم را می‌توان به صورت زیر برشمرد:

• انعطاف‌پذیری: از این الگوریتم می‌توان در طیف گسترده‌ای از مسائل بهینه‌سازی استفاده کرد.
• قدرت بالا: این الگوریتم می‌تواند برای مسائل پیچیده یا غیرخطی راه‌حل‌های خوبی پیدا کند.
• انجام محاسبات موازی: می‌توان این الگوریتم را به راحتی برای محیط‌های محاسبات موازی به منظور پردازش سریع‌تر تطبیق داد.

الگوریتم‌ها علاوه بر داشتن نقاط قوت، دارای معایبی نیز هستند و الگوریتم ژنتیک نیز از این قاعده مستثنی نیست. در ادامه، معایب این الگوریتم را ملاحظه می‌کنید:

• هزینه محاسباتی: این الگوریتم ممکن است برای مسائل پیچیده با جمعیت‌های بزرگ از نظر محاسباتی پرهزینه باشد.
• تنظیم پارامترها: عملکرد الگوریتم ژنتیک ممکن است به پارامترهای انتخاب‌ شده (مانند اندازه جمعیت، نرخ تقاطع، نرخ جهش) حساس باشد. بنابراین، نیاز است که با آزمون و خطا مقادیر مناسبی را برای آن‌ها تنظیم کرد.
• عدم تضمین ارائه راه‌حل بهینه: الگوریتم ژنتیک ممکن است همیشه بهترین راه‌حل را پیدا نکند اما اغلب سعی می‌کند راه‌حل‌های خوبی را در یک بازه زمانی معقول پیدا کند.

چنانچه قصد دارید با نحوه پیاده‌سازی الگوریتم ژنتیک در پایتون آشنا شوید و با کمک این الگوریتم به حل مسائل بپردازید، می‌توانید از فیلم آموزشی فرادرس استفاده کنید که در ادامه لینک آن ملاحظه می‌شود:

الگوریتم فراابتکاری مبتنی بر گله چیست؟

به منظور طراحی الگوریتم های فراابتکاری مبتنی بر گله از رفتار جمعی حیوانات در طبیعت الهام گرفته شده است. مورچه‌هایی را تصور کنید که برای یافتن غذا با هم همکاری می‌کنند یا دسته‌ای از پرندگان مسافت‌های طولانی را برای پیدا کردن دانه طی می‌کنند. تعاملات این حیوانات ممکن است ساده به نظر برسند اما شیوه همکاری و راه‌حل حیوانات برای یافتن غذا را می‌توان در حل مسائل پیچیده استفاده کرد. به عبارتی دیگر، الگوریتم‌های مبتنی بر گله رفتارهای جمعی حیوانات و تعاملشان با محیط را شبیه‌سازی می‌کنند و سعی دارند برای حل مسائل از نحوه عملکرد حیوانات استفاده کنند. می‌توان مراحل حل مسائل در الگوریتم‌های فراابتکاری مبتنی بر گله را به طور کلی به صورت خلاصه کرد:

• حرکت: «عوامل» (Agents) در فضای جستجو حرکت می‌کنند و تحت تأثیر عواملی مانند دانش خود و دانش دیگر هم‌نوعان قرار می‌گیرند.
• اشتراک‌گذاری اطلاعات: عوامل اطلاعات مربوط به نواحی احتمالی برای وجود هدف (غذا) در فضای جستجو را با دیگر اعضا به اشتراک می‌گذارند. این کار می‌تواند از طریق تعامل مستقیم یا مکانیسم‌های غیرمستقیم مانند جا گذاشتن ردپا (در مورچه‌ها) انجام شود.
• سازگاری: با گذشت زمان، عوامل رفتار خود را بر اساس موفقیت عوامل فردی تطبیق می‌دهند.

الگوریتم های فراابتکاری مبتنی بر گله مزایای متعددی نسبت به روش‌های بهینه‌سازی سنتی ارائه می‌دهند و به همین دلیل در حل برخی مسائل به عنوان ابزاری مناسب محسوب می‌شوند. در ادامه، مزیت‌های الگوریتم‌های مبتنی بر گله را ملاحظه می‌کنید:

• استحکام: این نوع الگوریتم‌ها می‌توانند با مسائل پیچیده با متغیرهای زیاد و روابط غیرخطی کنار بیایند.
• انعطاف‌پذیری: الگوریتم‌های مبتنی بر گله را می‌توان با تغییر نحوه تعامل و به اشتراک‌گذاری اطلاعات عوامل، با طیف گسترده‌ای از مسائل سازگار کرد.
• موازی‌سازی: از این نوع الگوریتم می‌توان برای معماری‌های محاسبات موازی استفاده کرد و این امر آن‌ها را برای مسائل با مقیاس بزرگ کارآمد می‌کند.
• سادگی: درک عملکرد این نوع الگوریتم‌ها ساده است و به راحتی می‌توان آن‌ها را پیاده‌سازی کرد. به علاوه، این الگوریتم‌ها برای محیط‌های پیچیده و پویا عملکرد مناسبی دارند.
• عملکرد بهینه: الگوریتم های فراابتکاری مبتننی بر گله اغلب در یافتن راه‌حل‌های متنوع و اجتناب از گیر افتادن در نقاط بهینه محلی دارای عملکرد خوبی هستند.

الگوریتم های فراابتکاری مبتنی بر گله، علی‌رغم داشتن مزیت‌های مهم و کاربردی، دارای معایبی نیز هستند که در فهرست زیر ذکر شده‌اند:

• هزینه محاسباتی زیاد: چنانچه از این نوع الگوریتم‌ها برای حل مسائل پیچیده‌ با تعداد عوامل زیاد استفاده شوند، هزینه محاسباتی زیادی را در پی خواهند داشت.
• عدم تضمین برای یافتن بهینه‌ترین پاسخ: الگوریتم های فراابتکاری مبتنی بر گله ممکن است همیشه به راه‌حل بهینه سراسری همگرا نشوند.
• تعیین پارامترهای مناسب: پارامترهای این الگوریتم‌ها را باید بر اساس آزمون و خطا تعیین کرد که این امر می‌تواند چالش‌برانگیز باشد.

از الگوریتم‌های مبتنی بر گله در حل مسائل متعددی استفاده می‌شوند و کاربرد گسترده‌ای در علوم مختلف دارند. در فهرست زیر، برخی از رایج‌ترین کاربردهای این نوع الگوریتم‌ها را ملاحظه می‌کنید:

• امور مهندسی: از الگوریتم‌های فراابتکاری مبتنی بر گله به وفور در بهینه‌سازی طرح‌ها، زمان‌بندی وظایف و تخصیص منابع استفاده می‌شوند.
• رباتیک: کاربرد این نوع الگوریتم‌ها را می‌توان در برنامه‌ریزی مسیر برای ربات‌ها و کنترل دسته‌های ربات ملاحظه کرد.
• یادگیری ماشین: کاربرد گسترده الگوریتم‌های مبتنی بر گله را می‌توان در یادگیری ماشین به منظور انتخاب ویژگی، تنظیم پارامتر در الگوریتم‌ها، خوشه‌بندی نقاط داده و شناسایی الگوها ملاحظه کرد.
• امور مالی: یکی دیگر از حوزه‌هایی که می‌تواند از الگوریتم‌های مبتنی بر گله بهره‌مند شود، حوزه مالی است. بهینه‌سازی سبد سهام و مدیریت ریسک را می‌توان جزو مسائل امور مالی محسوب کرد که برای انجام آن‌ها می‌توان به خوبی از مزیت‌های این الگوریتم‌ها بهره برد.
• شبکه: بهینه‌سازی مسیریابی و کنترل ترافیک از دیگر مسائلی هستند که با به کارگیری الگورتم های فراابتکاری مبتنی بر گله می‌توانند به خوبی پیاده‌سازی شوند.

برخی از عناوین پرکاربردترین الگوریتم‌های فراابتکاری مبتنی بر گله را در فهرست زیر ملاحظه می‌کنید:

• الگوریتم بهینه‌سازی کلونی مورچگان
• الگوریتم کلونی زنبور عسل مصنوعی
• الگوریتم کرم شب‌تاب

در ادامه مطلب، به توضیحی پیرامون هر یک از الگوریتم‌های ذکر شده در فهرست بالا می‌پردازیم و ویژگی‌ها و کاربردهای آن‌ها را شرح خواهیم داد.

الگوریتم بهینه‌ سازی کلونی مورچگان

تصور کنید که شما یک پیک موتوری هستید و می‌خواهید بسته‌های مختلفی را در یک شهر بدون استفاده از GPS به مقصد برسانید. در این شرایط، چگونه سریع‌ترین مسیر را برای تحویل تمام بسته‌های خود پیدا می‌کنید؟ در چنین مسئله‌ای می‌توان از الگوریتم بهینه‌سازی کلونی مورچگان استفاده کرد که برای طراحی عملکرد آن از مهارت‌های شگفت‌انگیز همکاری مورچه‌ها الهام گرفته شده است!

مورچه‌ها در حین جستجوی غذا ردپایی از خود به جا می‌گذارند. این ردپاها مانند یک تابلوی اعلانات عمل می‌کنند و مورچه‌های دیگر از طریق آن‌ها می‌توانند به غذا دسترسی پیدا کنند. الگوریتم فراابتکاری ACO این رفتار را با تعریف «مورچه‌های مجازی» تقلید می‌کند که فضای مسئله (مانند خیابان‌های شهر) را کاوش می‌کنند و «ردپای مصنوعی» (نقاط داده) را از خود به جا می‌گذارند که نشان‌ دهنده مسیرهای مناسب برای رسیدن به هدف هستند.

مراحل الگوریتم فراابتکاری بهینه سازی کلونی مورچگان

نحوه عملکرد الگوریتم فراابتکاری بهینه سازی کلونی مورچگان را می‌توان به طور خلاصه به شرح زیر توضیح داد:

• تعریف مسئله: در ابتدا، مسئله را تعریف می‌کنیم (مانند یافتن کوتاه‌ترین مسیر) و یک نقشه مجازی با مسیرهای احتمالی می‌سازیم.
• شروع کار مورچه‌ها: گروهی از مورچه‌های مجازی شروع به کاوش تصادفی در نقشه می‌کنند.
• جا گذاشتن ردپا: همان‌طور که مورچه‌ها مسیرهای مختلف را امتحان می‌کنند، ردپایی (نقطه داده) از خود به جا می‌گذارند که نشان‌ دهنده مسیری است که طی کرده‌اند. هر چه مسیر کوتاه‌تر باشد، ردپا قوی‌تر (نقاط داده بیشتر) خواهد بود.
• دنبال کردن بو: با گذشت زمان، مورچه‌ها به احتمال زیاد از مسیرهای قوی‌تر (مسیرهای کوتاه‌تر) در حین کاوش خود پیروی می‌کنند. انتخاب چنین مسیرهایی به آنها کمک می‌کند تا به بهترین مسیر همگرا شوند.
• محو شدن ردپا: مانند ردپای واقعی مورچه‌ها که با گذشت زمان محو می‌شوند، ردپای مصنوعی در الگوریتم ACO نیز به تدریج ضعیف می‌شود و مورچه‌ها به کاوش مسیرهای جدید ترغیب می‌شوند.

الگوریتم بهینه‌سازی کلونی مورچگان کاربردهای متنوعی در انجام امور مختلف دارند که در ادامه به برخی از آن‌ها اشاره شده است:

• بهینه‌سازی مسیر تحویل: با استفاده از الگوریتم ACO می‌توان کوتاه‌ترین مسیرها برای کامیون‌های تحویل بار را پیدا کرد که این امر منجر به صرفه‌جویی در زمان و سوخت می‌شود.
• مسئله فروشنده دوره‌گرد: یافتن کارآمدترین مسیر برای یک فروشنده که از چندین شهر بازدید می‌کند، از دیگر کاربردهای الگوریتم بهینه‌سازی کلونی مورچگان است.
• طراحی شبکه مخابراتی: از الگوریتم ACO می‌توان برای بهینه‌سازی اتصالات شبکه برای جریان بهتر داده استفاده کرد.
• زمان‌بندی تولید: الگوریتم ACO را می‌توان به منظور زمان‌بندی وظایف در یک کارخانه برای به حداقل رساندن زمان تولید به کار برد.

الگوریتم بهینه‌سازی ACO مزایای متعددی دارد و به همین دلیل برای پیاده‌سازی مسائل مختلف مورد توجه برنامه نویسان قرار گرفته است. در ادامه، برخی از مهم‌ترین مزیت‌های این الگوریتم را ملاحظه می‌کنید:

• ساده و قابل انطباق: یادگیری و درک عملکرد الگوریتم بهینه سازی کلونی مورچگان آسان است و می‌توان آن را در مسائل مختلف به کار برد.
• عملکرد خوب در یافتن بهترین مسیرها: الگوریتم ACO در یافتن مسیرها و راه‌حل‌های بهینه سرآمد است.
• قوی و کارآمد: این الگوریتم می‌تواند در حل مسائل پیچیده با متغیرهای زیاد به خوبی عمل کند.

با این که الگوریتم ACO سعی دارد بهترین پاسخ را برای مسئله مطرح شده پیدا کند، دارای نقاط ضعفی نیز هست که در ادامه به آن‌ها می‌پردازیم:

• تنظیم پارامترها: یافتن تعادل مناسب بین کاوش و بهره‌برداری (یافتن مسیرهای جدید در مقابل تمرکز بر روی مسیرهای امیدوارکننده) می‌تواند دشوار باشد.
• محاسبات پرهزینه: برای مسائل بزرگ با مسیرهای احتمالی زیاد، الگوریتم ACO می‌تواند از نظر محاسباتی هزینه‌بر باشد.
• عدم تضمین برای یافتن پاسخ بهینه سراسری: الگوریتم فراابتکاری ACO ممکن است در نقاط بهینه محلی گیر کند و نتواند نقاط بهینه سراسری را پیدا کند.

الگوریتم فراابتکاری کلونی زنبور عسل مصنوعی

به عنوان یکی دیگر از الگوریتم های فراابتکاری، می‌توان به الگوریتم زنبور عسل اشاره کرد که بر پایه رفتار این حیوان برای جستجوی غذا شکل گرفته است. این الگوریتم با ایجاد مجموعه‌ای از منابع غذایی شروع می‌شود که هر کدام نشان‌ دهنده یک راه‌حل احتمالی برای مسئله بهینه‌سازی است و به طور تصادفی در فضای جستجو ایجاد می‌شوند. در این الگوریتم، سه نوع زنبور عسل تعریف می‌شود:

• «زنبورهای شاغل» (Employed Bees): به هر منبع غذایی یک زنبور شاغل تخصیص داده می‌شود. این زنبورها کیفیت (تناسب) منبع غذایی خود را با استفاده از یک تابع تناسب خاص برای مسئله ارزیابی می‌کنند.
• «زنبورهای ناظر» (Onlooker Bees): زنبورهای شاغل به کندو باز می‌گردند و اطلاعات مربوط به منابع غذایی خود را با زنبورهای دیگر به نام زنبورهای ناظر به اشتراک می‌گذارند. زنبورهای ناظر منابع غذایی را بر اساس کیفیت (میزان تناسب) گزارش شده توسط زنبورهای شاغل و یک مقدار تصادفی انتخاب می‌کنند.
• «زنبورهای پیشاهنگ» (Scout Bees): اگر یک منبع غذایی برای تعداد مشخصی از سیکل‌ها به‌روزرسانی (بهبود) نشده باشد، زنبورها آن را رها می‌کنند و زنبورهای پیشاهنگ برای کاوش در فضای جستجو و یافتن یک منبع غذایی جدید فرستاده می‌شود.

در طول فرآیند، زنبورها راه‌حل‌های بهتر (منابع غذایی) را انتخاب می‌کنند و آن‌ها را با استفاده از تکنیک جستجوی همسایگی کمی اصلاح می‌کنند تا در نهایت به راه‌حل مناسب دست پیدا کنند. از این الگوریتم در حل مسائل مختلفی می‌توان بهره گرفت که در ادامه برخی از آن‌ها ذکر شده‌اند:

• مسائل زمان‌بندی: به منظور یافتن برنامه‌های زمانی بهینه برای انجام وظایف، تخصیص منابع و نحوه به‌کارگیری خطوط تولید می‌توان از الگوریتم فراابتکاری زنبور عسل استفاده کرد.
• بهینه‌سازی سیستم قدرت: بهینه‌سازی جریان، تولید و توزیع برق از دیگر مسائلی هستند که با استفاده از الگوریتم زنبور عسل می‌توان به حل آن‌ها پرداخت.
• خوشه‌بندی داده: الگوریتم زنبور عسل در گروه‌بندی نقاط داده مشابه بر اساس ویژگی‌های خاص کاربرد دارد.
• یادگیری ماشین: به منظور بهینه‌سازی پارامترها در مدل‌های یادگیری ماشین برای دست یافتن به عملکرد بهتر می‌توان از این الگوریتم بهره گرفت.

چنانچه قصد دارید با مثالی از مسائل خوشه‌بندی و نحوه حل آن با استفاده از الگوریتم زنبور عسل آشنا شوید، می‌توانید به یکی از مطالب پیشین مجله فرادرس مراجعه کنید که در ادامه لینک آن را ملاحظه می‌کنید.

الگوریتم زنبور عسل همانند سایر الگوریتم های فراابتکاری دارای مزیت‌های مهمی است که همین امر، این الگوریتم را برای حل مسائل مختلف، کارآمد می‌کند. در فهرست زیر، مزیت‌های این الگوریتم ملاحظه می‌شوند:

• سادگی: درک مفهوم و عملکرد الگوریتم فراابتکاری ABC نسبتاً ساده است و پارامترهای کنترلی کمتری در مقایسه با برخی از الگوریتم‌های دیگر دارد.
• قابلیت اطمینان: این الگوریتم می‌تواند با مسائل پیچیده با فضای جستجوی بزرگ و محدودیت‌های متعدد مقابله کند.
• ایجاد تعادل بین اکتشاف و بهره‌برداری: زنبورهای شاغل، ناظر و پیشاهنگ به خوبی می‌توانند در فضای جستجو به کاوش بپردازند و با تمرکز بر روی مناطق امیدوارکننده، پاسخ مناسبی را برای مسئله پیدا کنند.

با وجود مزیت‌هایی که این الگوریتم فراابتکاری دارد، می‌توان برای آن معایبی را نیز در نظر گرفت که در ادامه به آن‌ها اشاره شده است:

• همگرایی زودهنگام: اگر پارامترهای کنترلی این الگوریتم به درستی تنظیم نشوند، الگوریتم ممکن است در نقاط بهینه محلی گیر کند.
• همگرایی آهسته: الگوریتم ABC ممکن است گاهی اوقات برای همگرایی به راه‌حل بهینه، کندتر از الگوریتم‌های دیگر باشد.
• تنظیم پارامتر: اگرچه الگوریتم ABC ساده‌تر از برخی الگوریتم‌ها است، همچنان به تنظیم برخی پارامترها مانند تعداد زنبورها نیاز دارد. برای یافتن مقادیر مناسب برای این پارامترها باید آزمون و خطا انجام داد.

الگوریتم فراابتکاری کرم شب‌ تاب

الگوریتم کرم شب‌تاب (FA) به عنوان یکی دیگر از تکنیک فراابتکاری محسوب می‌شود که روال عملکرد آن از رفتار کرم شب‌تاب الهام گرفته شده است. تصور کنید تعدادی کرم شب‌تاب وجود دارد که هر کدام نشان‌ دهنده یک راه‌حل بالقوه برای مسئله بهینه‌سازی هستند. هر یک از این کرم‌ها دارای یک سطح روشنایی هستند که کیفیت (تناسب) راه‌حل را نشان می‌دهد. کرم‌های شب‌تابی که روشن‌تر هستند، راه‌حل‌های بهتری برای مسئله هستند.

کر‌های شب‌تاب بر اساس میزان روشنایی خود به سمت دیگر کرم‌ها جذب می‌شوند. هر چه یک کرم شب‌تاب کم‌نورتر باشد، بیشتر به سمت سایر کر‌م‌های روشن‌تر جذب می‌شود. این جاذبه تحت تأثیر فاصله بین کر‌م‌های شب‌تاب قرار می‌گیرد به طوری که در مسافت‌های بیشتر، جاذبه ضعیف‌تر است. یک کرم شب‌تاب موقعیت خود را (حرکت در فضای جستجو) بر اساس جاذبه‌ای تنظیم می‌کند که به سمت سایر کرم‌های روشن‌تر احساس می‌کند. این حرکت به کرم‌ها کمک می‌کند تا فضای جستجو را به منظور دست‌یابی به راه‌حل‌های بهتر کاوش کنند. در پایان کار الگوریتم، کرمی با بیشترین میزان روشنایی به عنوان نماینده راه‌حل بهینه برای مسئله در نظر گرفته می‌شود. از این الگوریتم می‌توان در حل مسائل مختلفی بهره گرفت که در ادامه به برخی از آن‌ها اشاره شده است:

• بهینه‌سازی تابع: یافتن حداقل یا حداکثر مقدار برای یک تابع در یک فضای جستجوی تعریف شده یکی از کاربردهای این الگوریتم فراابتکاری است.
• پردازش تصویر: بهینه‌سازی بخش‌بندی تصویر (به عنوان مثال جدا کردن اشیاء از پس‌زمینه) را می‌توان از دیگر کاربردهای الگوریتم کرم شب‌تاب نام برد.
• انتخاب ویژگی: یکی از مراحل مهم در یادگیری ماشین، انتخاب ویژگی از یک مجموعه داده است تا با استفاده از آن‌ها بتوان مدل‌های یادگیری ماشین را آموزش داد. در این راستا می‌توان از الگوریتم کرم شب‌تاب به منظور انتخاب ویژگی‌های مناسب از داده‌ها استفاده کرد.
• مسائل زمان‌بندی: همانند دیگر الگوریتم های فراابتکاری مبتنی بر گله، از این الگوریتم نیز می‌توان برای یافتن برنامه‌های زمانی بهینه برای انجام وظایف یا شیوه تخصیص منابع با محدودیت‌های خاص بهره‌مند شد.

الگوریتم کرم شب‌تاب دارای ویژگی‌های مثبتی است که آن را به یک الگوریتم کارآمد برای حل مسائل مختلف تبدیل می‌کند. در ادامه، به برخی از مهم‌ترین مزیت‌های این الگوریتم اشاره شده است:

• سادگی: درک مفاهیم و عملکرد این الگوریتم ساده است و به آسانی می‌توان به پیاده‌سازی آن پرداخت.
• پارامترهای کنترلی کم: در مقایسه با برخی از الگوریتم‌های بهینه‌سازی دیگر، الگوریتم کرم شب‌تاب به پارامترهای کمتری برای تنظیم نیاز دارد.
• ایجاد تعادل بین اکتشاف و بهره‌برداری: مکانیسم جاذبه در این الگوریتم، امکان کاوش در فضای جستجو و پیدا کردن راه‌حل مناسب برای مسئله را فراهم می‌کند.

الگوریتم فراابتکاری FA علی‌رغم مزیت‌هایی که دارد، دارای چندین نقاط ضعف نیز هست. در ادامه، معایب این الگوریتم را ملاحظه می‌کنید:

• همگرایی زودهنگام: مانند سایر الگوریتم‌ها، الگوریتم FA اگر به درستی پیکربندی نشده باشد، ممکن است در نقاط بهینه محلی گیر کند و نتواند بهینه‌ترین پاسخ را برای مسئله بیابد.
• حساسیت به پارامتر: عملکرد الگوریتم FA می‌تواند به مقادیر پارامترهایی مانند قدرت جاذبه و ضریب جذب نور حساس باشد. بنابراین، باید با آزمون و خطا عملکرد این الگوریتم را بسنجیم تا به پاسخی مناسب برای مسئله دست پیدا کنیم.
• همگرایی آهسته: در برخی موارد، الگوریتم فراابتکاری FA ممکن است برای همگرایی به راه‌حل بهینه در مقایسه با سایر الگوریتم‌ها به تکرارهای بیشتری نیاز داشته باشد.

تا اینجا سعی داشتیم به معرفی برخی از پرکاربردترین الگوریتم های فراابتکاری بپردازیم. اگر به دنبال یادگیری سایر الگوریتم‌های این حوزه هستید و قصد دارید با مثال‌های کاربردی، شیوه استفاده از آن‌ها را یاد بگیرید، توصیه می‌شود که با استفاده از لینک‌های زیر به مجموعه فیلم‌های آموزشی فرادرس مراجعه کنید و سرفصل دوره‌های فراهم شده را بررسی کنید و مطابق با نیاز خود، در این دوره‌ها شرکت کنید:

• مجموعه فیلم‌های آموزش الگوریتم‌های فراابتکاری فرادرس
• مجموعه فیلم‌های آموزش الگوریتم‌های بهینه‌سازی هوشمند فرادرس
• مجموعه فیلم‌های آموزش الگوریتم ژنتیک و محاسبات تکاملی فرادرس

جمع‌بندی

کامپیوتر‌ها با استفاده از الگوریتم‌ها می‌توانند پاسخی مناسب برای مسائل مختلف پیدا کنند. دسته‌ای از الگوریتم‌ها با الهام از رویدادهای طبیعت طراحی شده‌اند که به آن‌ها الگوریتم های فراابتکاری گفته می‌شود. این الگوریتم‌ها نوعی روش بهینه‌سازی هستند و هدفشان این است که راه‌حل‌های مناسب را برای مسائل بیابند. می‌توان از این الگوریتم‌ها در بسیاری از مسائل واقعی استفاده کرد که الگوریتم‌های سنتی قادر به حل آن‌ها نیستند. در این مطلب از مجله فرادرس سعی داشتیم به این پرسش پاسخ دهیم که الگوریتم های فراابتکاری چیست و ویژگی‌ها و نحوه عملکرد آن‌ها برای حل مسائل به چه شکل هستند.