برنامه ریزی سیستم های حمل ونقل یکپارچه با رویکرد الگوریتم جستجوی گرانشی توسعه یافته مبتنی برکنترلرفازی جهش

الگوریتم جستجوی گرانشی یک الگوریتم فراابتکاری تازه ظهوری است در این الگوریتم به دو روش میتوان نیروی گرانشی میان پاسخ ها را محاسبه کرد. در روش اول یک پاسخ از فضای همسایگی محلی پاسخ جاری انتخاب شده و نیروی گرانشی بین این دو پاسخ محاسبه می شود. در روش دوم، نیروی گرانشی بین تمام پاسخ های همسایه در فضای همسایگی پاسخ جاری محاسبه می شود و به یک پاسخ همسایه محدود نمی شود. این الگوریتم در برخی از مسائل بهینه سازی دچار همگرایی زودرس شده و در بهینه محلی گیر می کند و پیشرفتی برای پیدا کردن جواب بهینه ندارد که این مشکل جزء معایب این الگوریتم محسوب میشود. در مقاله این مشکل را در مرحله اول با مقایسه دو روش نامبرده تحت آزمون قرار گرفت که نتیجه آن بدینگونه می باشد: روش اول برتری نسبی از نظر پارامتر سرعت رسیدن به جواب و جواب برتر دارد و سپس با تعریف یک تابع جهش ابتکاری، که از کنترلر فازی جهت کنترل کردن میزان جهش استفاده می کند، برطرف میکند. روش پیشنهاد شده بر روی توابع محک استاندارد که شامل توابع تک مدی و چند مدی است ارزیابی شده است و نتایج حاصل از ارزیابی این دو روش با الگوریتم جستجوی گرانشی استاندارد (gsa) و الگوریتم جمعیت ذرات گرانشی (gps)، الگوریتم بهینه ساز جمعیت ذرات (pso) و الگوریتم وراثتی حقیقی (rga) مقایسه شده است.آزمایشات مشاهده شده، نشان دهنده این است که این روش ارائه شده نتایج بهتری نسبت به دیگر الگوریتم های مقایسه شده دارد.

planning an integrated transportation system using a gravitational search algorithm based on fuzzy mutant controller

gravitational search algorithm is a newly emerging meta-heuristic algorithm. in this algorithm, the gravitational force between answers can be calculated in two ways. in the first method, a response is selected from the local neighborhood space of the current response and the gravitational force between these two responses is calculated. in the second method, the gravitational force is calculated among all the neighboring responses in the neighborhood space of the current response and is not limited to a neighboring response. this algorithm has premature convergence in some optimization problems and gets stuck in the local optimum and does not make progress to find the optimal solution, which is one of the disadvantages of this algorithm. in the article, this problem was tested in the first step by comparing the two mentioned methods, and it was found that the first method has relative superiority in terms of the speed of reaching the response, in particular, the optimal response, and then by defining a heuristic mutation function, it uses a fuzzy controller to control the jump rate. the proposed method has been evaluated on standard benchmark functions, including single-mode and multi-mode functions, and the results of evaluating these two methods have been compared with the standard gravitational search algorithm (gsa) and the gravitational particle population algorithm (gps), the particle population optimization algorithm (pso) and real genetic algorithm (rga). the observed tests show that the presented method has better results than other compared algorithms.