الگوریتم بهینه سازی TLBO

الگوریتم بهینه سازی TLBO

بهینه سازی مبتنی بر یادگیری و آموزش TLBO

الگوریتم بهینه سازی TLBO یا بهینه سازی مبتنی بر یادگیری و آموزش یک روش بهینه سازی می باشد. که برای اولین بار توسط آقای Rao و همکاران در ژورنال معروف Computer Aided Design از انتشارات ELSEVIER معرفی شد. برای دانلود مقاله روی لینک زیر کلیک کنید.

 

دانلود مقاله اصلی

 

پیشنهاد می کنیم برای یادگیری موثر و کامل فیلم آموزش الگوریتم TLBO اصلاح شده MTLBO در متلب را تهیه و مطالعه فرمایید. که علاوه بر آموزش کامل الگوریتم TLBO مثال های عملی برای یادگیری بهتر ارائه می دهد. در این آموزش نسخه بهبود داده شده الگوریتم یعنی MTLBO هم به طور کامل آموزش داده شده است.

مقدمه

الگوریتم بهینه سازی TLBO نیز مشابه سایر روش های بهینه سازی موجود یک الگوریتم برگرفته از طبیعت و مبتنی بر جمعیت است و بر اساس تاثیر یک معلم بر روی یادگیری در کلاس درس کار می کند. این الگوریتم از یک جمعیتی از جواب ها برای دستیابی به جواب کلی استفاده می نماید. جمعیت به عنوان گروهی از یادگیران یا دانش آموزان یک کلاس در نظر گرفته می شوند. یک معلم تلاش می کند تا با آموزش به دانش آموزان، سطح دانش کلاس را افزایش دهد و دانش آموز به نمره یا رتبه خوبی مطابق با توانایی خودش دست یابد. در حقیقت یک معلم خوب کسی است که دانش آموز خود را به سطح دانش خود  یا نزدیک به خود برساند.

معلم یک شخص با دانش بالا در جامعه بوده که علم خود را با دانش آموزان خود تقسیم می کنند، به طوری که بهترین جواب ( بهترین عضو جمعیت ) در همان تکرار به عنوان معلم عمل می کند. اما لازم است به این نکته اشاره شود که دانش آموزان مطابق با کیفیت آموزش ارائه شده توسط معلم و وضعیت شاگردان حاضر در کلاس دانش کسب می کنند. علاوه بر این دانش آموزان از تعامل متقابل بین خودشان که به وضعیتشان کمک می کند آموزش می بینند.

الگوریتم TLBO

همان طور که پیشتر گفته شد الگوریتم بهینه سازی TLBO براساس تاثیر یک معلم بر روی خروجی دانش آموزان در یک کلاس است و به طور کلی در یک کلاس معلم فردی تعیین می شود که دارای مقدار بهتری از لحاظ تابع تناسب ات و سطحی بالاتری نسبت به دانش آموزان دارد و می تواند دانش آموزان را با دانش خود سهیم نماید. یک معلم خوب، یک میانگین بهتر برای دانش آموزان تولید می کند. در هر مرحله و تکرار معلم کسی است، که بهترین فرد کلاس باشند و بهترین تابع هدف را دارد. البته در هر مرحله ممکن است معلم تغییر نماید.

این الگوریتم جهت استفاده در امور مهندسی گزینه بسیار مناسبی می اشد. در این الگوریتم از فرآیند آموزش و یادگیری که در کلاس درس اتفاق می افتد، الهام گرفته شده است. بدین ترتیب که وقتی معلم درس را ارائه می دهد، در نهایت ارزیابی کرده و دانش آموزان نیز نمرهای را کسب می نمایند. اگر نمودار شکل 1 نمودار توزیع احتمال نمرات افراد باشند، نمودار سمت چپ مربوط به کلاس اول و نمودار سمت راست مربوط به کلاس دوم یا معلم دیگر می باشد. با مقایسه سطح نمرات این دو کلاس در می یابیم که معلم دوم موفق تر عمل کرده است چرا که میانگین سطح کلاس آن که 𝑀2 می باشد، از میانگین کلاس اول 𝑀1 بالاتر می باشد.

نمودار توزیع احتمال در الگوریتم TLBO

در این نمودار برای نمایش توزیع نمرات از توزیع گاوسی استفاده شده است اما می توان از هر توزیع دیگری نیز استفاده نمود. اما میتوان از هر توزیع دیگری نیز استفاده نمود. طبق رابطه چگالی احتمال توزیع گاوسی میانگین همان 𝑀1 و 𝑀2 می باشد. در این الگوریتم به پراکندگی نمرات یا واریانس پرداخته نمی شود و مهمترین نکته همان میانگین نمرات دانش آموزان کلاس است.

مراحل الگوریتم بهینه سازی مبتنی بر یادگیری و آموزش TLBO

الگوریتم بهینه سازی TLBO دارای دو مرحله یا دو فاز اصلی است که عبارتند از:

  • مرحله معلم یا فاز آموزش
  • مرحله دانش آموز یا فاز یادگیری

 مرحله معلم یا فاز آموزش

در فاز اول، معلم سعی می کند تا میانگین کلاس را به سطح خود برساند و سطح دانش آموزان در این مرحله به سمت معلم تغییر می نمایند  (شکل 2 ) در این الگوریتم معلم از بین دانش آموزان انتخاب می شود، یعنی کسی که اطلاعاتش از بقیه بیشتر باشد و بهتر باشند به عنوان معلم انتخاب خواهد شد.

نمودار جابجایی در فاز معلم TLBO

در نمودار شکل 2، T1 به عنوان معلم کلاس انتخاب شده و سعی میکند میانگین سطح کلاس یعنی 𝑀1 را به سطح خنودش برسناند. اما در واقعیت این امر امکان پذیر نیست که همه دانش آموزان به سطح معلم برسند بلکه نهایت به سطح میانگین جدید 𝑀2 خواهند رسید. در اینجا به یک جامعه آماری دیگر خواهیم رسید که دارای میانگین 𝑀2 است و معلم جدید، همان بهترین فرد در جمعیت آماری جدید یا T2 انتخاب خواهد شد. در این مرحله معلم جدید یا همان T2 سعی خواهد کرد که میانگین سطح کلاس را به خودش برساند و این روال بدین صورت ادامه خواهد داشت تا جمعیت بهتر شود و به عنوان فاز اول الگوریتم مطرح می شود.

مدل ریاضی برای مرحله معلم

اندازه گام جابجایی برابر است با X teacher – Mean که در این رابطه X teacher همان میانگین مطلوب یا بهترین عضو کلاس می باشد و Mean نیز میانگین اعضای جمعیت در دور فعلی است. بنابراین رابطه ریاضی برای فاز معلم بدین صورت خواهد شد:

فرمول فاز معلم در الگوریتم TLBO

که در آن r یک بردار تصادفی بین صفر و یک بوده که میزان موفقیت یک دانش آموز در درک مطالب یاد داده شده توسط استاد یا معلم را نشان می دهد. بدین صورت که اگر r صفر باشد یعنی دانش آموز از مطالبی که معلم به او آموزش داده چیزی یاد نگرفته است و اگر r برابر یک باشد یعنی تمام  مطالب معلم را فراگرفته است. البته مقدار r بین صفر و یک است و بسته به عدد تصادف ایجا شده می تواند یادگیری متفاوت باشد. برای درک بهتر r را میتوان ضریب هوشی دانش آمز نیز در نظر گرفت.

همچنین 𝑇𝑓 یا ضریب معلم نشان دهنده ضریب موفقیت معلم است که می تواند عدد 1 یا 2 باشد. اگر 𝑇𝑓 معلم یک باشد، یک یادگیری معمولی را خوهیم داشت ولی اگر این ضریب 2 باشد شتاب یادگیری بیشتر خواهد گشت. 𝑇𝑓 قدرت بیان یک معلم در نظر گرفت. بطور کلی هدف از تزریق r و 𝑇𝑓 در رابطه بالا ایجاد تنوع جمعیتی است تا فضای جستجو به صورت تصادفی توسط افراد جمعیت جستجو شوند.

مرحله دانش آموز یا فاز یادگیری

فاز دانش آموز بعد از فاز معلم اجرا می شود و دانش آموزان می توانند از یکدیگر نیز آموزش ببیند و بر روی یکدیگر تاثیر بگذارند و اینن تعامل باعث می شود که سطوح دانش آموزان ارتقا پیدا نماید. این فاز که نام دیگر آن فاز یادگیری می باشد همان طور که در شکل 3 مشخص شده دانش آموزان با تعامل و بحث و گفتگو با یکدیگر سعی در افزایش سطح دانش هم دارند.

مرحله دانش آموز یا فاز یادگیری TLBO

با توجه به شکل 3 دو دانش آموز بصورت تصادفی از بین جمعیت انتخاب می شوند و و در آن دانش آموز اول یعنی xمی خواهد از دانش آموز دوم یعنی xآموزش ببیند. بسته به میزان نمره این دو دانش آموز دو حالت برای اثر پذیری دانش دانش آموز xو دانش آموز xبوجود خواهد آمد:

  • حالت اول: اگر نمرات دانش آموز در حال یادگیری از دانش آموز آموزش دهنده بدتر باشد.
  • حالت دوم: اگر نمرات دانش آموز در حال یادگیری از آموزش دهنده بهتر باشد.

حالت اول: اگر نمرات دانش آموز در حال یادگیری از دانش آموز آموزش دهنده بدتر باشد

در این حالت یک دانش آموز ضعیف xمی خواهد از یک دانش آموز با نمرات بهتر آموزش xببیند یعنی تا حد ممکن می خواهد فاصله خودش را با همکلاسی اش کم کند. در نتیجه مشابه فاز معلم برای افزایش تنوع جمعیتی به این رابطه ایده آل یک ضریب تصادفی r اضافه می نماییم. رابطه این حالت بصورت زیر تعریف می شود:

فرمول فاز دانش آموز در حالت 1

حالت دوم: اگر نمرات دانش آموز در حال یادگیری از آموزش دهنده بهتر باشد

همان طور که در شکل 3 مشخص است در این حالت دانش آموز در حال یادگیری که همان xمی باشد از دانش آموز در حال آموزش یعنی xدارای نمرات بهتری می باشد. بدین منظور برای بهبود موقعیت xi باید تا جای ممکن از xدور شود یا فاصله بگیرد. بنابراین عکس حالت قبلی اتفاق خواهد افتاد یعنی :

فرمول فاز دانش آموز در حالت 2 باید به این نکته اشاره کرد که در هر دو فاز معلم و دانش آموز با بدست آمدن دانش آموز جدید مقدار تابع هدف محاسبه می شود و اگر این مقدار از مقدار تابع هدف دانش آموز قدیم بهتر باشد، دانش آموز جدید جایگزین دانش آموز قدیم می شود در غیر این صورت دانش آموز قدیم بدون تغییر می ماند.

فلوچارت الگوریتم بهینه سازی TLBO

فلوچارت الگوریتم TLBO

در این سایت همچنین یک ویدئوی آموزشی کامل در مورد الگوریتم TLBO و نسخه اصلاح شده آن یعنی MTLBO آماده شده است که برای مشاهده جزئیات آن به آموزش الگوریتم TLBO اصلاح شده MTLBO در متلب مراجعه فرمایید.

مراجع

R.V. Rao, V.J. Savsani, D.P. Vakharia,”Teaching–learning-based optimization: A novel method for constrained mechanical design optimization problems”,Computer-Aided Design 43 (2011) 303–315.

ابراهیم علیزاده ، علی ملکی، حمید امیری آرا، “الگوریتم مبتنی بر آموزش و یادگیری بهبود یافته”، کنگره بین المللی مطالعات میان رشته ای در علوم پایه و مهندسی، تهران آذرماه 96.

برچسب ها:
, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
مطالب زیر را حتما بخوانید

دیدگاه ها

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.