الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا

اکثر مسائل موجود در دنیای واقعی یک مسئله بهینه سازی با ماهیتی پویا هستند، به‌طوری‌که مقدار بهینه سراسری آن ها در طول زمان ممکن است تغییر کند، بنابراین برای حل این مسائل الگوریتم هایی نیاز داریم که بتوانند خود را با شرایط این مسائل به خوبی سازگار نموده و بهینه جدید را برای این مسائل ردیابی نمایند. در این مقاله، یک الگوریتم ژنتیک آشوب گونه مبتنی بر خوشه بندی و حافظه برای حل مسائل پویا ارائه شده است. یک سیستم آشوب گونه پیش بینی دقیق تری از آینده نسبت به یک سیستم تصادفی دارد و میزان همگرایی را در الگوریتم افزایش می دهد. به‌طور معمول استفاده از اطلاعات گذشته اجازه می دهد الگوریتم به سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد، بنابراین ایده موردنظر در این زمینه، استفاده از یک حافظه است که با استراتژی مناسبی اطلاعات مفید گذشته را ذخیره نموده و برای استفاده مجدد آن ها را بازیابی می نماید. خوشه بندی در حافظه و جمعیت اصلی، تنوع را در حین اجرای الگوریتم با تبادل اطلاعات میان خوشه های متناظر (خوشه ها با برچسب شبیه به هم) در حافظه و جمعیت اصلی حفظ می نماید. به‌طورکلی در این روش پیشنهادی دو جنبه نوآوری اساسی پیشنهاد شده است. یکی روش خوشه بندی استفاده‌شده که هم جمعیت اصلی و هم جمعیت حافظه را خوشه بندی (خوشه بندی مبتنی بر میانگین) می کند و دیگری راهکار مناسبی است که برای به روزرسانی حافظه استفاده شده است. برای آزمایش کارایی روش پیشنهادی از مسئله محک قله های متحرک استفاده شده که رفتاری شبیه به مسائل پویا در دنیای واقعی را شبیه سازی می کند. نتایج آزمایش ها کارایی مناسب روش پیشنهادی را در حل مسائل بهینه سازی پویا در مقایسه با دیگر روش ها نشان می دهد.