بهینه سازی کلونی مورچه ها با طرح های مهاجران برای مساله فروشنده دوره گرد پویا با عوامل ترافیک

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بهینه سازی کلونی مورچه ها با طرح های مهاجران برای مساله فروشنده دوره گرد پویا با عوامل ترافیک

عنوان لاتین

Ant colony optimization with immigrants schemes for the dynamic travelling salesman problem with traffic factors

الگوریتم های سنتی بهینه سازی کلونی مورچه ها (ACO) در رسیدگی به مسائل بهینه سازی پویا (DPO) مشکل دارند. دلیل این امر آن است که هنگامی که الگوریتم به یک راه حل نزدیک می شود و یک تغییر پویا رخ می دهد، از آنجا که میزان زیادی از فرومون در یک دنباله تولید خواهد شد و مورچه ها را وادار خواهد نمود تا حتی پس از یک تغییر پویا آن را دنبال کنند، وفق دادن خود با محیط جدید برای جمعیت دشوار است. یک راه حل خوب برای رسیدگی به این مشکل افزایش تنوع از طریق انتقال دانش از محیط های قبلی به دنباله های فرومون با استفاده از طرح های مهاجران است. در این مقاله، یک چارچوب ACO برای محیطهای پویا پیشنهاد شده است که در آن طرح های مهاجران مختلفی از جمله مهاجران تصادفی، مهاجران مبتنی بر نخبه گرایی، و مهاجران مبتنی بر حافظه در الگویتم های ACO برای حل DPOها گنجانده شده اند. به واسطه این چارچوب، که در آن مورچه های مهاجر با استفاده از طرح های مهاجران مذبور و جایگزینی مورچه های موجود در جمعیت فعلی تولید می شوند، سه الگوریتم ACO پیشنهاد شده و مورد بررسی قرار می گیرند. علاوه بر این، دو نوع جدید از مسائل فروشنده دوره گرد پویا (DTSPها) با فاکتورهای ترافیک برای این مطالعه تجربی ارائه شده اند، به عنوان مثال تحت محیط های تصادفی و چرخه ای (تناوبی). نتایج تجربی بر اساس موارد آزمون DTSP مختلف نشان می دهد که هر الگوریتم پیشنهادی در موارد محیطی مختلف به خوبی اجرا می شود و اینکه الگوریتم های پیشنهادی بهتر از چند جفت الگوریتم ACO دیگر، اجرا می شوند.

Traditional ant colony optimization (ACO) algorithms have difficulty in addressing dynamic optimization problems (DOPs). This is because once the algorithm converges to a solution and a dynamic change occurs, it is difficult for the population to adapt to a new environment since high levels of pheromone will be generated to a single trail and force the ants to follow it even after a dynamic change. A good solution to address this problem is to increase the diversity via transferring knowledge from previous environments to the pheromone trails using immigrants schemes. In this paper, an ACO framework for dynamic environments is proposed where different immigrants schemes, including random immigrants, elitism-based immigrants, and memory-based immigrants, are integrated into ACO algorithms for solving DOPs. From this framework, three ACO algorithms, where immigrant ants are generated using the aforementioned immigrants schemes and replace existing ants in the current population, are proposed and investigated. Moreover, two novel types of dynamic travelling salesman problems (DTSPs) with traffic factors, i.e., under random and cyclic dynamic environments, are proposed for the experimental study. The experimental results based on different DTSP test cases show that each proposed algorithm performs well on different environmental cases and that the proposed algorithms outperform several other peer ACO algorithms