ارائه یک مدل جدید ممتیکی مبتنی بر اتوماتای یادگیر ساختار ثابت

الگوریتم ممتیک یکی از انواع الگوریتم‌های تکاملی است که با استفاده از جستجوی عمومی و جستجوی محلی فضای حل مساله را به صورت بهینه جستجو می‌نماید. تعادل بین جستجوی عمومی و محلی، همواره یکی از مسایل مهم در این دسته از الگوریتم‌ها است. در این مقاله یک مدل جدید ممتیکی با نام 2gala ارائه شده است. این مدل از ترکیب الگوریتم ژنتیک و اتوماتای مهاجرت اشیا که نوع خاصی از اتوماتای یادگیر ساختار ثابت می‌باشد، تشکیل شده است. در مدل ارائه‌شده جستجوی عمومی توسط الگوریتم ژنتیک و یادگیری محلی به وسیله اتوماتای یادگیر انجام می‌شود. در این مدل جهت افزایش سرعت همگرایی و فرار از همگرایی زودرس، به طور هم‌زمان از دو مدل یادگیری لامارکی و بالدوینی استفاده شده است. در این مدل تکاملی، جهت استفاده توام از اثرات مثبت تکامل و یادگیری محلی، کروموزم‌ها به وسیله اتوماتای مهاجرت اشیا بازنمایی شده‌اند. جهت نمایش برتری مدل ارائه‌شده نسبت به سایر روش‌های موجود، از این مدل برای حل مساله تناظر گراف استفاده گردیده است.

A New Memetic Model based on the Fixed Structure Learning Automata

Memetic algorithm (MA) is a kind of evolutionary algorithms (EAs) that searches the problem solving space using local search and global search. The balance between global search and local search is one of the key issues in this algorithm. In this paper a new model is proposed, called GALA2. This model is combined of genetic algorithm (GA) and object migration automata (OMA), which is a kind of fixedstructure learning automaton. In the proposed model, global search is performed by genetic algorithm and local learning is performed by learning automata. In this model, the Lamarckian and Baldwinian learning models have been used to increase the convergence rate and avoidance of premature convergence, simultaneously. In this evolutionary model, chromosomes are represented by object migration automata for the purpose of using positive effects of evolution and local learning. In order to show the superiority of the proposed model, GALA2 is used to solve the graph isomorphism problem.