بهبود الگوریتم ژنتیک با استفاده از ترکیب منطق فازی و الگوریتم هم‌تکاملی

به منظور رسیدن به بهترین عملکرد در الگوریتم ژنتیک، تعیین مناسب پارامترها ضروری است. این مقاله بر تعیین هوشمند پارامتر احتمال بازترکیب بین هر دو والد انتخابی در هر نسل دلالت دارد. بر خلاف اغلب روش‌های موجود که در آنها ویژگی‌های پراکندگی هر نسل به منظور تعیین احتمال بازترکیب در کل نسل جاری استفاده می‌شود، این مقاله ویژگی‌های فنوتیپ و ژنوتیپ جدیدی را برای هر زوج والد انتخابی در نسل جاری تعریف نموده و به کمک یک کنترل‌کننده فازی تاکاگیسوگنوی مرتبه صفر، پارامتر احتمال بازترکیب تعیین می‌گردد. بدین ترتیب، هر زوج والد انتخابی در هر نسل دارای پارامتر بازترکیب منحصربفردی است که سبب انعطاف الگوریتم ژنتیک بسته به ناحیه مورد جستجو شده و از همگرایی زودرس الگوریتم ژنتیک جلوگیری می‌نماید. علاوه بر این، در روش پیشنهادی، جمله مربوط به بخش آنگاه در هر یک از قواعد فازی ثابت نبوده بلکه از طریق یک فرآیند تکاملی و همزمان با دیگر متغیرهای تصمیم تولید می‌شود. این عمل سبب افزایش بیشتر کارایی این روش می‌گردد. نتایج شبیه‌سازی بر روی مجموعه‌ای از مسائل بهینه‌سازی استاندارد، عملکرد مطلوب این روش را نشان می‌دهد. همچنین، کارایی این روش با اعمال بر روی مساله پیچیده پرواز تعقیب عوارض زمین بررسی می‌گردد.

Improvement of Genetic Algorithm Using a Fuzzy Control Combined with Coevolutionary Algorithm

In order to achieve the best performance in genetic algorithm, proper determination of parameters is necessary. This paper addresses the intelligent determination of the crossover probability between two selected parents in each generation. Unlike most existing techniques that utilize the diversity characteristics of each generation to determine the crossover probability throughout the current generation, this paper defines some novel phenotype and genotype features, and develops a zeroorder TakagiSugeno fuzzy controller to derive the proper crossover probability for each selected parent pair. As such, each pair has a unique probability parameter that results in the flexibility of the standard genetic algorithm depending on the region being searched and avoids premature convergence. In addition, in the proposed method, the consequent part of the fuzzy rules is not fixed but is generated through a coevolutionary process and simultaneously with the decision variables of the optimization problem. This enhances the efficiency of the proposed method. The simulation results on a set of optimization benchmarks show the performance of this method. Its effectiveness is also investigated by applying it to the complicated problem of terrain avoidance/terrain following fly.