یک الگوریتم الهام‌گرفته از طبیعت مبتنی بر نظریه شرطی‌سازی کلاسیک

الگوریتم‌های فرا ابتکاری الهام‌گرفته از طبیعت که به تقلید از طبیعت می‌باشند، یک دوره جدید را در حل مسائل بهینه‌سازی باز کردند. در این مقاله با استفاده از رفتار یادگیری شرطی‌سازی کلاسیک پرندگان، ذرات یاد می‌گیرند یک رفتار طبیعی شرطی را در قبال یک محرک غیرشرطی انجام دهند. ذرات در فضای مسئله به چندین دسته تقسیم خواهند شد و هر ذره اگر تنوع دسته خود را در سطح پایینی دید، سعی خواهد کرد به سمت بهترین تجربه شخصی خود حرکت کند و اگر سطح تنوع دسته بالا بود ذره یاد خواهد گرفت که در این شرایط به سمت بهینه عمومی دسته خود متمایل شود. همچنین با استفاده از ایده حساسیت پرندگان نسبت به فضایی که در آن پرواز می‌کنند، سعی شده که ذرات در فضاهای نامناسب با سرعت بیشتری به‌حرکت درآمده تا ذره از آن فضا دور گردد و بالعکس در فضاهای پرارزش سرعت ذرات جهت جستجوی بیشتر، پایین خواهد آمد. در جمعیت‌دهی اولیه نیز با استفاده از رفتار غریزی پرندگان، یک جمعیت‌دهی براساس شایستگی ذرات انجام خواهد شد. روش پیشنهادی در نرم‌افزار متلب پیاده‌سازی شده و نتایج در چندین بخش با روش‌های مختلف مشابه مقایسه و نتایج حاکی از آن بوده که روش پیشنهادی یک الگوریتم قابل‌اتکا در حل مسائل بهینه‌سازی ایستا می‌باشد.

A Nature-inspired Algorithm based on Classical-conditioning Theory

Natureinspired algorithms are the imitation of nature opened a new era in calculations for solving optimization problems. In this thesis, we will provide an optimization algorithm inspired by nature using the instinctive behavior of birds. In this thesis, particles learn to have a conditional normal behavior towards an unconditioned stimulus using the classical conditioning learning behavior of birds. Particles will be divided into multiple categories in the problem space. If any particle had a lowlevel category, it will try to move towards its best personal experience. If any particle had a highlevel category, it will learn to move towards the global optimum in its category. Using the idea of birds’ sensitivity towards the environment, in which birds are flying, we tried to move particles in incompetent spaces more quickly so that the particle goes far away from that space, and vice versa, we will bring down the particles’ speed in valuable spaces to search for more. We selected a population based on the particles’ merit in the initial population selection using the instinctive behavior of birds. The proposed method was implemented in MATLAB software, and the results have been compared in several different ways. The results showed that the proposed method is a reliable algorithm to solve the static problems.