همگرایی الگوریتم‌های ممتیک از طریق یکپارچه‌سازی شبکه عصبی
الموضوعات : New technologies in distributed systems and algorithmic computing
محمدرضا دهقانی محمودآبادی
1
,
الهام دهقان طزرجانی
2
1 - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد بافق، بافق، ایران
2 - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد بافق، بافق، ایران.
الکلمات المفتاحية: الگوریتم ممتیک, شبکه عصبی, بهینه‌سازی, ترکیبی,
ملخص المقالة :
این پژوهش به تحلیل عمیق الگوریتم‌های ممتیک در حل مسائل بهینه‌سازی پیچیده می‌پردازد. الگوریتم‌های ممتیک باتکیه‌بر جستجوی مبتنی بر جمعیت و ارزیابی مکرر تابع هدف، عملکرد مناسبی در شرایطی دارند که محاسبه تابع هدف پرهزینه باشد. یکی از چالش‌های اصلی آن‌ها نرخ همگرایی پایین و نیاز به نسل‌های متعدد برای دستیابی به پاسخ بهینه است. به‌منظور رفع این محدودیت، الگوریتمی ترکیبی مبتنی بر تلفیق شبکه عصبی و چارچوب ممتیک ارائه شده است. در این روش شبکه عصبی نقش هدایت‌کننده فرایند جستجو را ایفا کرده و با بهبود دینامیک همگرایی، سرعت رسیدن به پاسخ بهینه را افزایش می‌دهد. کارایی الگوریتم پیشنهادی با استفاده از مجموعه‌ای از آزمون‌های معیار مورد ارزیابی قرار گرفته است. نتایج آزمایش‌ها حاکی از بهبود چشمگیر در سرعت همگرایی و ارتقا کیفیت پاسخ تا ۸۸ درصد است. این یافته‌ها نشان می‌دهد که الگوریتم ترکیبی نه‌تنها موجب بهبود قابل‌توجه عملکرد الگوریتم ممتیک می‌شود، بلکه قابلیت تعمیم و به‌کارگیری آن در طیف وسیعی از مسائل بهینه‌سازی نیز وجود دارد.
[1] C. Cotta and P. Moscato, “A memetic-aided approach to hierarchical clustering from distance matrices: application to gene expression clustering and phylogeny,” Biosystems, vol. 72, no. 1, pp. 75–97, 2003.
[2] W. Duch, “Memetics and neural models of conspiracy theories,” Patterns, vol. 2, no. 11, p. 100353, Nov. 2021.
[3] D. Ermakov and A. Ermakov, “Memetic approach to cultural evolution,” Biosystems, vol. 204, p. 104378, Jun. 2021.
[4] K. Sörensen and M. Sevaux, “MA|PM: Memetic Algorithms with Population Management,” Comput Oper Res, vol. 33, no. 5, pp. 1214–1225, 2006.
[5] Y. S. Ong and A. J. Keane, “Meta-Lamarckian Learning in Memetic Algorithms,” IEEE Transactions on Evolutionary Computation, vol. 8, no. 2, pp. 99–110, 2004.
[6] M. Bereta, “Baldwin Effect and Lamarckian Evolution in a Memetic Algorithm for Euclidean Steiner Tree Problem,” Memet Comput, vol. 11, no. 1, pp. 35–52, 2019.
[7] A. Nooraliei, M. R. Meybodi, and B. Masoumi, “Memetic Algorithm Based on Genetic Algorithm and Improved Cuckoo Search Algorithm for Dynamic Environment,” 2016 Artificial Intelligence and Robotics, pp. 54–60, 2016.
[8] M. R. dehganimahmoudabadi N nabavizadeh, “Improving the learning classifier system with the basic memetic algorithm to solve the problem based on the law,” The journal of Engineering Management and Soft Computing., Feb. 2023.
[9] H.-E. Tseng, W.-P. Wang, and H.-Y. Shih, “Using memetic algorithms with guided local search to solve assembly sequence planning,” Expert Syst Appl, vol. 33, no. 2, pp. 451–467, 2007.
[10] Mohammadreza, “A novel aggregation-based distributed search model for optimal design using the memetic algorithm”.
[11] R. J. Ziarani and R. Ravanmehr, “Deep neural network approach for a serendipity-oriented recommendation system,” Expert Syst Appl, vol. 185, p. 115660, 2021.
[12] W. Wardah, M. G. M. Khan, A. Sharma, and M. A. Rashid, “Protein secondary structure prediction using neural networks and deep learning: A review,” Comput Biol Chem, vol. 81, pp. 1–8, 2019.
[13] O. Barukab, F. Ali, W. Alghamdi, Y. Bassam, and S. Afzal Khan, “DBP-CNN: Deep learning-based prediction of DNA-binding proteins by coupling discrete cosine transform with two-dimensional convolutional neural network,” Expert Syst Appl, vol. 197, p. 116729, 2022.
