الگوریتم دسته ماهی های مصنوعی AFSA
الگوریتم دسته ماهی های مصنوعی یا Artificial fish swarm optimization Algorithm به اختصار AFSO در سال 2002 توسط لی و همکارانش مطرح شد که ایده اصلی آن شبیه سازی رفتارهای ماهی مانند ازدحام، شکار، و دنباله روی در جستجوی محلی، برای رسیدن به بهینه عمومی است. این روش بهینه سازی یک الگوریتم جستجوی تصادفی و موازی است. الگوریتم AFSO یک الگوریتم مبتنی بر جمعیت است.
الگوریتم دسته ماهی های مصنوعی
ماهی مصنوعی Artificial Fish یا (AF) مفاهیم خارجی را از طریق بینایی درک می کند. X وضعیت فعلی AF است، Visual میدان دید بینایی است، و Xv موقعیتی در میدان دید است که ماهی می خواهد به آنجا برود. اگر وضعیت در موقعیت دیگر (Xv) بهتر از وضعیت فعلی باشد، ماهی یک گام در این جهت حرکت می کند و به وضعیت Xnext می رود. در غیر این صورت در میدان دید به گشت زنی ادامه می دهد. هر چه تعداد گشتزنی AF بیشتر باشد، دانش بیشتری در مورد وضعیت میدان دید به دست می آورد. مطمئناً لازم نیست ماهی کل وضعیت های پیچیده یا نامتناهی را بررسی کند، و یافتن چند بهینه محلی با کمی عدم قطعیت، به یافتن بهینه عمومی کمک می کند.
اگر (X=(x1 , x2 , …,xn و (Xv=(x1v ., x2v , …, xnv باشد این فرایند به شکل زیر بیان می شود:
که در آن Rand اعداد تصادفی در بازه 0 و 1 تولید میکند، Step طول گام است.xi متغیر بهینه سازی، و n تعداد متغیرها است. مدل AF دو بخش دارد:
- متغیرها
- توابع
متغیرها: X که موقعیت فعلی AF است، Step که طول گام حرکت است، Visual که میدان دید را نشان می دهد، try_number که تعداد تکرار است و δ_s که فاکتور شلوغی است مابین صفر و یک.
توابع: ماهی معمولاً در مکانی می ماند که غذای زیادی در آن موجود باشد، پس ما رفتارهای ماهی را بر اساس این ویژگی شبیه سازی می کنیم تا بهینه عمومی را پیدا کنیم.
رفتارهای ماهی مصنوعی عبارتند از:
- AF_Prey
- AF_Swarm
- AF_Follow
- AF_Move
جستجوی طعمه AF_Prey
رفتن به سمت غذا یک رفتار زیستی اصلی است. ماهی غلظت غذا در آب را حس کرده، و از طریق دید یا حس مسیر خود را انتخاب می کند. فرض کنید Xi وضعیت فعلی ماهی است و ماهی وضعیتXj را در میدان دید خود به صورت تصادفی انتخاب می کند. Y غلظت غذا (مقدار تابع هدف) است و هرچه Visual بیشتر باشد، AF بیشینه عمومی را راحت تر پیدا کرده و همگرا می شود.
Xj=Xi+Visual.Rand()
اگر در مساله بیشینه سازی Yi<Yj، ماهی یک گام در این جهت جلو می رود؛ در غیر این صورت دوباره یک وضعیت Xj را به صورت تصادفی انتخاب کرده، و بررسی می کند که شرط حرکت را ارضا می کند یا خیر. اگر پس از چندین بار انتخاب شرط ارضا نشد، یک گام به صورت تصادفی حرکت می کند.
Xi(t+1)=Xi(t)+Visual.Rand()
حرکت ازدحامی AF_Swarm
ماهی ها به صورت گروهی حرکت می کنند. این یک نوع عادت زیستی برای تضمین بقای کلونی و اجتناب از خطر است. فرض کنید Xi وضعیت فعلی AF، Xc موقعیت مرکز گروه و nf تعداد موجودات در همسایگی فعلی dij<Visual، و n تعداد کل ماهی ها است. اگر Yc>Yi و nf/n< δ، یعنی مرکز گروه غذای بیشتری دارد (مقدار تابع شایستگی در آن بیشتر است) و زیاد شلوغ نیست، AF یک گام به سمت مرکز حرکت می کند.
Xi(t+1)=Xi(t)+(Xv-Xit)/(||Xv-Xit ||).StepRand()
در غیر این صورت رفتار شکار اجرا می شود. فاکتور شلوغی اندازه دسته ها را محدود می کند و AFهای بیشتر فقط در نواحی بهینه قرار می گیرند. این کار تضمین می کند AF در یک محدوده گسترده به سمت بهینه حرکت کند.
دنبال کردن AF_Follow
در فرآیند حرکت دسته ماهی ها، وقتی یک یا چند ماهی غذا پیدا می کنند، همسایگان به سرعت آنها را دنبال کرده و به غذا می رسند. فرض کنید Xi وضعیت فعلی AF است و موقعیت Xj در همسایگیdij<Visual را کهYj بزرگتری دارد، جستجو می-کند. اگر Yj>Yi و n_f/n< δ ، یعنی غلظت غذا در موقعیت Xj بیشتر است (مقدار تابع شایستگی بیشتر است) و اطراف آن زیاد شلوغ نیست، AF یک گام به سمت Xj حرکت می کند. در غیر این صورت رفتار شکار اجرا می شود.
Xi(t+1)=Xi(t)+(Xj-Xit)/(||Xj-Xit ||).StepRand()
حرکت AF_Move
ماهی به صورت تصادفی در آب حرکت می کند؛ در واقع در محدوده بزرگی به دنبال غذا یا ماهی های دیگر می گردد. در میدان دید یک موقعیت به صورت تصادفی انتخاب می کند؛ سپس به سمت این مکان حرکت می کند در واقع این حالت پیش فرض AF-_Prey است.
Xi(t+1)=Xi(t)+Visual.Rand()
فلوچارت الگوریتم دسته ماهی های مصنوعی
درباره امین جلیل زاده رزین
پایه گذار و موسس وب سایت آموزشی پی استور، مدرس دانشگاه فنی و حرفه ای، برنامه نویس و تحلیل گر سیستم، پژوهشگر در حوزه الگوریتم های ابتکاری، فرا ابتکاری، یادگیری ماشین، شبکه و پایگاه داده. ایشان در زبان های برنامه نویسی متعدد، نظیر ++C، سی شارپ، PHP ،Java، متلب MATLAB و Python تسلط و سابقه تدریس فعال دارند.