الگوریتم کرم شب تاب چیست؟

چکیده مقاله:
الگوریتم کرم شب تاب چیست؟ الگوریتم های الهام گرفته از زیست، که به عنوان الگوریتم های الهام گرفته از طبیعت یا الگوریتم های تکاملی نیز شناخته می شوند، تکنیک های محاسباتی هستند که رفتارها و فرآیندهای مشاهده شده در دنیای طبیعی را تقلید می کنند. این الگوریتم ها از سیستم های زیستی، فرآیندهای تکاملی و تعاملات اکولوژیکی الهام می گیرند تا مسائل پیچیده بهینه سازی و تصمیم گیری را حل کنند. با تقلید از مکانیزم های موجود در طبیعت، الگوریتم های الهام گرفته از زیست، راه حل های نوآورانه ای برای چالش های گسترده ای در دنیای واقعی ارائه می دهند.
یکی از الگوریتم های قابل توجه در این زمینه، الگوریتم کرم شب تاب است که از رفتار درخششی کرم شب تاب ها الهام گرفته شده است. این الگوریتم برای اولین بار توسط شین-شِی یانگ در اواخر سال 2007 توسعه یافت و در سال 2008 منتشر شد [Yang XS. Nature-inspired metaheuristic algorithms. 1st ed. Frome, UK: Luniver Press;2008] و ادبیات مربوط به آن به طرز چشمگیری با کاربردهای متنوع گسترش یافته است. در این مطلب یک راهنمای خوب در رابطه با الگوریتم بهینه سازی کرم شب تاب ارائه می کنیم.

الگوریتم کرم شب تاب چیست؟

الگوریتم کرم شب تاب (FA) یک الگوریتم بهینه سازی الهام گرفته از طبیعت است که بر اساس رفتار درخششی کرم های شب تاب طراحی شده است. کرم های شب تاب از بیولومینسانس برای برقراری ارتباط و جذب جفت استفاده می کنند. این الگوریتم این رفتار را شبیه سازی می کند تا راه حل هایی برای مسائل مختلف بهینه سازی ارائه دهد.

با استفاده از این دانش درباره کرم های شب تاب، می توانیم برخی از ویژگی های درخششی آن ها را ایده پردازی کرده و الگوریتم های الهام گرفته از کرم شب تاب توسعه دهیم. قوانین زیر برای توصیف FA استاندارد (الگوریتم کرم شب تاب) استفاده می شوند:

1. همه کرم های شب تاب یکسان هستند، بنابراین یک کرم شب تاب به دیگر کرم های شب تاب، صرف نظر از جنسیت شان، جذب می شود.
2. جذابیت به درخشندگی یک کرم شب تاب بستگی دارد. بنابراین برای هر دو کرم شب تاب در حال درخشیدن، کرم شب تاب کم نورتر به سمت کرم شب تاب نورانی تر حرکت می کند. جذابیت به درخشندگی وابسته است و هر دو با افزایش فاصله کاهش می یابند. اگر هیچ کرم شب تاب نورانی تری نسبت به یک کرم شب تاب خاص وجود نداشته باشد، آن کرم به طور تصادفی حرکت می کند.
3. درخشندگی یک کرم شب تاب تحت تأثیر یا به واسطه چشم انداز تابع هدف تعیین می شود. برای مسائل حداکثرسازی، درخشندگی می تواند به سادگی متناسب با مقدار تابع هدف باشد. اشکال دیگر درخشندگی نیز می تواند به طریقی مشابه با تابع تناسب در الگوریتم های ژنتیکی تعریف شود.

توضیح الگوریتم کرم شب تاب

1. جمعیت کرم های شب تاب را با موقعیت های تصادفی در فضای جستجو آغاز کنید.
2. تناسب هر کرم شب تاب را بر اساس تابع هدف تعریف کنید.
3. تناسب هر کرم شب تاب را بر اساس تابع هدف ارزیابی کنید.
4. موقعیت هر کرم شب تاب را با توجه به جذابیت آن نسبت به دیگر کرم های شب تاب و شدت نور آن ها به روز رسانی کنید.
5. شدت نور هر کرم شب تاب را بر اساس مقدار تناسب آن به روز رسانی کنید.
6. مراحل حرکت و به روز رسانی شدت نور را تکرار کنید تا معیارهای خاتمه برآورده شوند.
7. بهترین راه حل یافته شده پس از تعداد مشخصی از تکرارها استخراج کنید.

شدت نور و جذابیت

جذابیت یک کرم شب تاب به درخشندگی آن بستگی دارد، که به نوبه خود با تابع هدف کدگذاری شده مرتبط است.

در مسائل حداکثرسازی، درخشندگی I یک کرم شب تاب در یک مکان خاص x می تواند به صورت زیر انتخاب شود:

I(x) ∝ f(x)

جذابیت β با فاصله r(i, j) بین کرم شب تاب i و کرم شب تاب j متغیر خواهد بود. علاوه بر این، شدت نور با افزایش فاصله از منبع آن کاهش می یابد و نور همچنین در محیط جذب می شود، بنابراین جذابیت با درجه جذب متغیر خواهد بود.

شدت نور به صورت زیر داده می شود که در آن I0 شدت نور در منبع است، r فاصله بین دو کرم شب تاب و γ ثابت جذب نور برای یک محیط خاص است.

جذابیت بین دو کرم شب تاب به صورت زیر داده می شود که در آن β0 جذابیت در r=0 است.

فاصله بین کرم های شب تاب و حرکت

در یک مورد ساده تر، فاصله بین دو کرم شب تاب می تواند با فاصله کارتیزین بیان شود، جایی که x(i,k) جزء k ام از مختصات فضایی xi از کرم شب تاب i است.

حرکت کرم شب تاب به سمت یک کرم شب تاب دیگر به صورت زیر داده می شود که در آن عبارت دوم به جذابیت کرم های شب تاب مربوط می شود و عبارت سوم تصادفی سازی است که در آن α پارامتر تصادفی سازی و εi یک بردار از اعداد تصادفی است که از توزیع گاوسی یا توزیع یکنواخت گرفته شده اند.

• برنامه نویسی

مقیاس بندی و سایر کاربردهای الگوریتم

فاصله “r”

فاصله r تعریف شده در بخش قبلی محدود به فاصله اقلیدسی نیست. ما می توانیم فاصله های دیگری را در فضای هایپر d بعدی تعریف کنیم که به نوع مسئله ای که به آن علاقه داریم بستگی دارد. هر اندازه ای که بتواند به طور مؤثر مقادیر مورد نظر در مسئله بهینه سازی را توصیف کند، می تواند به عنوان فاصله r استفاده شود.

برای مسائل زمان بندی شغلی، r می تواند به عنوان تأخیر زمانی یا فاصله زمانی تعریف شود.

تغییر r امکان تنظیم دقیق فاصله های بین ربات ها را فراهم می کند و باعث بهبود هماهنگی مؤثر در سیستم های چند رباتی می شود. فاصله r می تواند به صورت پویا تنظیم شود تا تعادل بین پراکندگی و تمرکز ربات ها را برقرار کند و همکاری آن ها را در وظایفی مانند اکتشاف، نظارت یا نقشه برداری بهینه کند.

جذابیت Attraction

مفهوم جذابیت به چندین عامل کمک می کند تا با یکدیگر تعامل داشته باشند و همگرایی مسئله را به سمت راه حل های کارآمد هدایت کنند.

این مفهوم می تواند به طرق مختلف تغییر و گسترش یابد:

ربات های مختلف ممکن است نقش های تخصصی در یک سیستم چند رباتی داشته باشند. جذابیت می تواند بر اساس این نقش ها تنظیم شود، جایی که ربات ها به موقعیت هایی جذب می شوند که نقش آن ها را تکمیل می کند یا به دستیابی به هدف جمعی کمک می کند. به عنوان مثال، ربات های اکتشافی می توانند به موقعیت هایی جذب شوند که به اکتشاف مؤثر کمک می کند، در حالی که ربات های ارتباطی ممکن است به موقعیت هایی جذب شوند که ارتباط را تقویت می کند.

جذابیت می تواند به طور پویا بر اساس فوریت یا اهمیت وظیفه کنونی تغییر کند. برای وظایف بحرانی، جذابیت بین ربات ها قوی تر است و تضمین می کند که تلاش متمرکز و هماهنگی برای انجام مؤثر وظیفه وجود داشته باشد.

• الگوریتم زنبور عسل

شباهت ها با سایر الگوریتم ها

FA جنبه هایی از تکامل تفاضلی (DE)، بهینه سازی ازدحام ذرات (PSO)، سرد کردن شبیه سازی شده (SA) و جستجوی هارمونی (HS) را در بر می گیرد:

1. جذابیت و حرکت (Attraction and Movement) الهام گرفته از DE و PSO:
   • جذابیت الهام گرفته از DE: الگوریتم کرم شب تاب، مانند DE، از مکانیزم جذابیتی استفاده می کند که در آن کرم های شب تاب به راه حل های بهتر در فضای جستجو جذب می شوند. این از استراتژی های جهش و تقاطع DE الهام می گیرد که افراد را به سمت مناطق امیدوارکننده هدایت می کند.
   • حرکت الهام گرفته از PSO: حرکت کرم های شب تاب در FA، شبیه PSO، شامل تنظیم موقعیت های آن ها بر اساس بهترین راه حل های شخصی و جهانی است. این حرکت ذرات به سمت مناطق بهتر در فضای جستجو را منعکس می کند.
2. اکتشاف و بهره برداری (Exploration and Exploitation) الهام گرفته از SA و HS:
   • اکتشاف الهام گرفته از SA: الگوریتم کرم شب تاب نوعی از سرد کردن شبیه سازی شده را اتخاذ می کند که در آن کرم های شب تاب فضای جستجو را به طرز مشابهی به حرکت احتمالی SA اکتشاف می کنند. این به اکتشاف کمک می کند و از قفل شدن الگوریتم در اوج های محلی جلوگیری می کند.
   • بهره برداری الهام گرفته از HS: الگوریتم کرم شب تاب تحت تأثیر فرآیند جستجوی هارمونی است که بر روی بهره برداری از مناطق امیدوارکننده با تنظیم و تصحیح موقعیت های کرم های شب تاب تمرکز دارد، مشابه فرآیند بداهه نوازی ملودی HS.

با ترکیب این عناصر، FA ویژگی های اکتشاف و بهره برداری DE، PSO، SA و HS را ادغام می کند و یک تکنیک بهینه سازی چندمنظوره را فراهم می آورد که در جستجوی بهینه های جهانی مؤثر است و در عین حال تعادل بین اکتشاف و بهره برداری را حفظ می کند.

• الگوریتم گرگ خاکستری

پیاده سازی الگوریتم کرم شب تاب

پیاده سازی زیر که به شین شه یانگ نسبت داده شده است، به طور مؤثر الگوریتم کرم شب تاب را به کار می گیرد. این الگوریتم با موفقیت تمام چهار نقطه بهینه را در یک تابع چهار قله ای با استفاده از جمعیت نسبتاً کوچکی از ۲۵ کرم شب تاب و حدود ۲۰ تکرار شناسایی می کند. این دستاورد نتایج برتر نسبت به سایر الگوریتم های بهینه سازی موجود را نشان می دهد.

شکل زیر نشان می دهد که چگونه کرم های شب تاب به سمت راه حل های بهینه همگرا می شوند و از موقعیت های تصادفی اولیه شروع می کنند.

پیشرفت های بیشتر

پژوهشگران استراتژی های جذابیت اصلاح شده ای را در FA پیشنهاد کرده اند تا عملکرد آن را بهبود بخشند. این تغییرات ممکن است شامل معرفی توابع جذابیت غیرخطی یا استفاده از فرمولاسیون های ریاضی متفاوت برای تعیین جذابیت کرم های شب تاب نسبت به یکدیگر باشد.

مکانیزم های کنترل پارامترهای تطبیقی به FA اضافه شده اند تا پارامترهای الگوریتم را در طول فرآیند بهینه سازی به صورت پویا تنظیم کنند. این تطبیق به دستیابی به تعادل بهتر بین اکتشاف و بهره برداری کمک می کند و سرعت همگرایی و کیفیت راه حل را بهبود می بخشد.

نقشه های آشوب به FA اضافه شده اند تا قابلیت های اکتشافی آن را افزایش دهند. نقشه های آشوب تصادفی و غیرقابل پیش بینی بودن را معرفی می کنند که به اکتشاف بهتر فضای جستجو کمک می کند و از قفل شدن الگوریتم در اوج های محلی جلوگیری می کند.

توسعه هایی برای FA در زمینه بهینه سازی چند هدفه توجه را جلب کرده است. پژوهشگران الگوریتم را برای مدیریت همزمان چندین هدف متضاد اصلاح کرده اند و هدف آن یافتن مجموعه ای از راه حل های پاراتو بهینه است که نمایانگر تعادل بین اهداف متضاد باشند.

نسخه های موازی و توزیع شده FA مورد بررسی قرار گرفته اند تا از مزایای معماری های محاسباتی موازی بهره ببرند. پیاده سازی های موازی به تسریع فرآیند بهینه سازی کمک می کند و امکان همگرایی سریعتر و مدیریت مسائل بهینه سازی در مقیاس بزرگتر را فراهم می آورد.

استراتژی هایی برای مدیریت مسائل بهینه سازی محدود و بهینه سازی گسسته پیشنهاد شده است. تکنیک هایی توسعه یافته اند تا اطمینان حاصل کنند که راه حل های تولید شده توسط کرم های شب تاب با محدودیت های خاص مسئله یا الزامات متغیر تصمیم گیری گسسته سازگار باشند.

• مشاوره برنامه نویسی

استفاده از الگوریتم کرم شب تاب در تصمیم گیری برای ربات ها

الگوریتم کرم شب تاب (FA) به طور مؤثر در فرآیندهای تصمیم گیری برای ربات ها، به ویژه در سیستم های چند رباتی غیرمتمرکز و تعاونی به کار رفته است. هر ربات در این جمع می تواند به یک کرم شب تاب تشبیه شود و ویژگی های دینامیکی درخشندگی و جذابیت را بر اساس وظیفه، نقش یا وضعیت کنونی خود نمایش دهد. جذابیت بین ربات ها بر اساس عواملی مانند نزدیکی، فوریت وظیفه، نیاز به اشتراک اطلاعات یا نیاز به همکاری تعیین می شود. ربات های درخشان تر که نمایانگر راه حل های برتر یا رفتارهای مؤثرتر هستند، دیگر ربات ها را جذب کرده و آن ها را در تصمیم گیری هدایت می کنند و رفتار طبیعی کرم های شب تاب را که به سمت همتایان درخشان تر حرکت می کنند، تقلید می کنند. این رویکرد به جمع ربات ها این امکان را می دهد که به طور جمعی در فضای راه حل حرکت کنند، به تصمیمات بهینه یا نزدیک به بهینه همگرا شوند و به شرایط محیطی در حال تغییر سازگار شوند.

• مسئله کوله پشتی چیست؟ الگوریتم، انواع و تغییرات

کاربردهای الگوریتم کرم شب تاب

• بهینه سازی تابع:
  الگوریتم کرم شب تاب به طور گسترده‌ای برای بهینه سازی توابع ریاضی و پیدا کردن بهینه جهانی در زمینه های مختلف استفاده می شود. این الگوریتم می‌تواند در مسائل پیچیده‌ای که شامل چندین متغیر و قله‌های محلی هستند، به کار رود. با شبیه سازی رفتار کرم های شب تاب، این الگوریتم قادر است نقاط بهینه را شناسایی کند و از استراتژی های جذابیت برای هدایت جستجوی خود به سمت راه حل های بهتر بهره بگیرد.
• رباتیک:
  در سیستم های رباتیک، الگوریتم کرم شب تاب می‌تواند در برنامه ریزی مسیر ربات‌ها و مدیریت ناوبری آنها استفاده شود. این الگوریتم به ربات‌ها اجازه می‌دهد تا با شبیه سازی رفتار کرم های شب تاب، به طور مؤثری با یکدیگر ارتباط برقرار کنند و وظایف جمعی را به صورت هماهنگ انجام دهند. برای مثال، در رباتیک جمعی، ربات‌ها می‌توانند برای اکتشاف یا نقشه برداری به سمت نقاط بهینه حرکت کنند و با همکاری در بهینه سازی مسیرهای خود، از انرژی و زمان خود به بهترین نحو استفاده کنند.
• پردازش سیگنال:
  الگوریتم کرم شب تاب به عنوان یک ابزار مؤثر در پردازش سیگنال‌ها، به ویژه در پردازش تصویر و کاهش نویز استفاده می‌شود. در این زمینه، این الگوریتم می تواند برای بهینه سازی پارامترهای پردازش مانند فیلترها، شفافیت و وضوح تصویر به کار رود. به عنوان مثال، در حذف نویز از تصاویر، این الگوریتم می تواند به یافتن بهترین پارامترهای فیلتر کمک کند تا تصویر نهایی با کیفیت بهتری ارائه شود.
• بهینه سازی شبکه‌های بی سیم:
  در شبکه های بی سیم، الگوریتم کرم شب تاب می‌تواند به بهینه سازی منابع و مدیریت ترافیک کمک کند. با شبیه سازی رفتار کرم‌های شب تاب، این الگوریتم قادر است برای توزیع مؤثر داده‌ها و بهینه سازی مصرف انرژی در گره‌ها، نقاط بهینه را شناسایی کند. به این ترتیب، می‌توان عملکرد شبکه‌های بی سیم را بهبود بخشید و زمان پاسخگویی را کاهش داد.
• مدل سازی و شبیه سازی:
  الگوریتم کرم شب تاب به عنوان یک روش مؤثر در مدل سازی و شبیه سازی فرآیندهای طبیعی و اجتماعی مورد استفاده قرار می‌گیرد. به عنوان مثال، می توان از آن برای شبیه سازی حرکت جمعیت یا رفتارهای اجتماعی در اکوسیستم‌ها استفاده کرد. این شبیه سازی‌ها می‌توانند به پژوهشگران کمک کنند تا روندهای پیچیده و تعاملات را در سیستم های طبیعی بهتر درک کنند.
• اقتصاد و مدیریت منابع:
  در زمینه های اقتصادی و مدیریت منابع، الگوریتم کرم شب تاب می‌تواند به بهینه سازی تخصیص منابع، مانند انرژی، زمان و نیروی انسانی کمک کند. با شبیه سازی رفتار کرم های شب تاب و جستجوی نقاط بهینه، سازمان‌ها می‌توانند استراتژی‌های بهینه‌تری برای تخصیص منابع و کاهش هزینه‌ها اتخاذ کنند.
• تحلیل داده:
  الگوریتم کرم شب تاب می‌تواند در تحلیل داده‌ها و استخراج الگوها از مجموعه های داده بزرگ مورد استفاده قرار گیرد. این الگوریتم می‌تواند برای شناسایی ویژگی های مهم و بهینه سازی مدل های پیش بینی به کار رود. به این ترتیب، می‌توان از آن در حوزه‌های مختلفی مانند علم داده، یادگیری ماشین و تحلیل بازار استفاده کرد.
• مهندسی صنایع و بهینه سازی فرآیندها:
  در مهندسی صنایع، الگوریتم کرم شب تاب به بهینه سازی فرآیندهای تولید، کاهش زمان چرخه، و افزایش کیفیت محصولات کمک می‌کند. با استفاده از این الگوریتم، مهندسان می‌توانند نقاط بهینه را برای تنظیم پارامترهای فرآیند شناسایی کنند و به این ترتیب کارایی تولید را بهبود ببخشند.

نتیجه گیری

الگوریتم کرم شب تاب، الهام گرفته از رفتار درخششی کرم های شب تاب، اثربخشی خود را به عنوان یک الگوریتم بهینه سازی الهام گرفته از طبیعت نشان می دهد. با تقلید از ارتباطات طبیعی و رفتارهای جفت یابی کرم های شب تاب، این الگوریتم رویکردی کارآمد و انعطاف پذیر برای حل مسائل پیچیده تصمیم گیری در زمینه های مختلف ارائه می دهد. تنوع و پتانسیل آن برای بهینه سازی آن را به ابزاری ارزشمند برای پژوهشگران و فعالان تبدیل می کند که به دنبال راه حل های نوآورانه برای چالش های بهینه سازی هستند.