ایده اصلی الگوریتم ازدحام موش ها

الگوریتم بهینه سازی موش یا Rat Swarm Optimizer که به آن اصطلاحا الگوریتم RSO گفته میشود در سال 2020 با الهام از رفتار موش ها معرفی شد.

الگوریتم بهینه سازی موش در مقاله ای با عنوان زیر منتشر شد:

A Novel Swarm-Intelligence based Optimization Algorithm: Rat Swarm Optimizer (RSO) for Solving the Challenging Optimization Problems

مقدمه ای در خصوص الگوریتم ازدحام موش ها:

الگوریتم های الهام گرفته از طبیعت برای حل مسائل مختلف بهینه سازی بسیار محبوب شده اند.

و دلیل محبوب شدن آنها آن است که این الگوریتم ها بهترین پاسخ را بر اساس معیار “آزمون و خطا” جستجو میکنند.

همچنین چونکه معمولا مدهای مفهومی ساده ای دارند و همچنین به اطلاعات مشتق تابع هدف نیازی ندارند ، استفاده از آنها راحت می باشد.

بطور کلی ، الگوریتم های بهینه سازی از نظریه هایی مانند انتخاب طبیعی و رفتار اجتماعی موجودات زنده الهام گرفته شده اند.

از این رو در الگوریتم Rat Swarm Optimizer (RSO) رفتارهای تعقیب و حمله موش ها در طبیعت بررسی شده است.

همگرایی و تجزیه و تحلیل محاسباتی نیز برای آزمایش اکتشاف ، بهره برداری و اجتناب از بهینه سازی محلی الگوریتم RSO بررسی شده است .

مفهوم کلی الگوریتم بهینه سازی موش RSO

منشا ایده الگوریتم RSO

الهام اصلی این بهینه ساز رفتارهای تعقیب و حمله موش ها در طبیعت است.

موش ها جوندگانی دم بلند و متوسط هستند که از نظر اندازه و وزن متفاوت هستند [4].

دو گونه اصلی موش وجود دارد:

  • موش سیاه ،
  • وش قهوه ای.

در خانواده موش ها ، موش های صحرایی نر را bucks می نامند ، در حالی که موش های ماده را does می نامند.

ایده اصلی الگوریتم ازدحام موش ها

موش ها به طور کلی ذاتاً از نظر اجتماعی دارای هوش هستند. آنها با یکدیگر تعامل دارند و در فعالیت های مختلفی شرکت می کنند [5].

الگوریتم جدید برای بهینه سازی جهانی بنام Rat Swarm Optimizer شامل مراحل زیر می باشد:

  • پرش ،
  • تعقیب ،
  • افتادن و بوکس.

موش ها حیوانات محلی هستند که در گروهی نر و ماده زندگی می کنند. رفتار موش ها در بسیاری از موارد بسیار پرخاشگرانه است که ممکن است منجر به مرگ برخی حیوانات شود [6]. این رفتار پرخاشگرانه انگیزه اصلی این کار هنگام تعقیب و گریز و شکار است.

کاربردهای الگوریتم RSO یا ازدحام موش

استفاده از RSO برای مشکلات طراحی مهندسی

در مقاله الگوریتم RSO ، شش مسئله طراحی مهندسی محدود در زندگی واقعی با استفاده از RSO مورد تجزیه و تحلیل قرار گرفته است. این مسائل عبارتند از

  • مشکل مخزن تحت فشار [7]
  • مشکل طراحی کاهنده سرعت [8]
  • مشکل طراحی تیر جوش داده شده [9]
  • مشکل طراحی فشرده سازی فنر[10]
  • مشکلات طراحی خرپای 25 میله ای [11]
  • مشکلات طراحی یاتاقان غلتکی [12]
استفاده از الگوریتم RSO در مسائل مهندسی

مدل ریاضی الگوریتم RSO

این بخش رفتار موش را توصیف می کند ، به عنوان مثال ، تعقیب و مبارزه [13]

تعقیب طعمه در موش ها

به طور کلی ، موش ها حیوانات اجتماعی هستند که با رفتار پرخاشگرانه اجتماعی خود طعمه ها را در یک گروه تعقیب می کنند.

برای تعریف ریاضی این رفتار ، فرض می کنیم که بهترین عامل جستجو از محل قرارگیری طعمه اطلاع داشته باشد.

سایر عوامل جستجو می توانند موقعیت خود را با توجه به بهترین عامل جستجو به دست آمده تاکنون به روز کنند [14].

معادلات زیر در این مکانیزم ارائه شده است:

معادلات الگوریتم ازدحام موش RSO

شبه کد الگوریتم RSO یا ازدحام موش ها :

شبه کد الگوریتم RSO ازدحام موشها

فلوچارت الگوریتم RSO ، فلوچارت الگوریتم ازدحام موش ها

مراحل و نمودار جریان RSO در شکل زیر نشان داده شده است.

فلوچارت الگوریتم ROS ، فلوچارت الگوریتم بهینه سازی موش

مدل های موش صحرایی به عنوان فیلترهای بیولوژیکی برای داده های ژنوم تومور در مقیاس بزرگ:

در سال های اخیر مدل های دقیق ژنتیکی و آسیب شناختی موش های صحرایی از سرطان خون و لنفوم ایجاد شده است.

انتقال مصنوعی سلولهای پیش ساز خونساز اصلاح شده ژنتیکی ، مطالعات سریع و بسیار کنترل شده برای افزایش و از دست دادن عملکرد را برای این نوع سرطانها امکان پذیر می کند [18].

در این تفسیر ، ما بحث می کنیم که چگونه می توان از این روش های تجربی بسیار متنوع به عنوان فیلترهای بیولوژیکی برای تعیین دقیق فعالیت های مربوط به تحول از داده های پیچیده ژنوم سرطان استفاده کرد. ما پیش بینی می کنیم که شناسایی عملکردی “رانندگان” ژنتیکی با استفاده از مدل های موش لوسمی و لنفوم ، پیشرفت تشخیص مولکولی و درمان های مبتنی بر مکانیسم را برای بیمارانی که از این بیماری ها رنج می برند تسهیل می کند [19].

مدلهای سرطانی موش صحرایی نقش مهمی در امکان حاشیه نویسی عملکردی دادههای پیچیده ژنوم سرطان به دست آمده از بیماران انسانی دارند.

مدل های موش صحرایی به عنوان فیلترهای بیولوژیکی برای داده های ژنوم تومور در مقیاس بزرگ. مطالعات ژنتیکی مدلهای موشهای بسیار پرکاربرد سرطانهای خونساز به عنوان فیلترهای بیولوژیکی برای داده های ژنوم عمل می کنند و اجازه می دهند اطلاعات مربوط به عملکرد بیولوژیکی و اهمیت بالینی جهش های راننده ژنتیکی به دست آید.

به این ترتیب مدل های موش به ترجمه داده های ژنومی به تشخیص های مولکولی بهتر برای پزشکی شخصی ، ترکیبی مقایسه ای آرایه ای ژنومی و چند شکلی تک نوکلئوتیدی کمک می کنند [20].

واضح است که با هر یک از این مدل ها کمبودهای لجستیکی و مفهومی وجود دارد – به عنوان مثال ، سطح بیان همه جا و یا غیر فیزیولوژیکی تراریخته ، تفاوت های ظریف در زمان و مکان تحول در مدل ها و تفاوت های خاص گونه های مختلف بین سلولهای انسانی و موش.

با این وجود ، این مدل ها برای جداسازی تغییرات خاص ژنتیکی و تعریف تأثیر آنها بر فنوتیپ های سرطان مفید هستند.

مزایای الگوریتم ROA

مزایای الگوریتم RSO

از جمله مزایای الگوریتم ازدحام موش یا RSO میتوان به همگرایی خوب آن اشاره کرد.

اجتناب از گیر افتادن در بهینه های محلی از دیگر مزایای آن است.

همچنین ایجاد تعادل بین همگرایی و اکتشاف از دیگر مزایای الگوریتم موش می باشد.

فهرست منابع:

[1]G. Dhiman, M. Garg, A. Nagar, V. Kumar and M. Dehghani, “A novel algorithm for global optimization: Rat Swarm Optimizer”, Journal of Ambient Intelligence and Humanized Computing, 2020. Available: 10.1007/s12652-020-02580-0.

[2]B. Alatas, “ACROA: Artificial Chemical Reaction Optimization Algorithm for global optimization”, Expert Systems with Applications, vol. 38, no. 10, pp. 13170-13180, 2011. Available: 10.1016/j.eswa.2011.04.126.

[3]E. Alba and B. Dorronsoro, “The Exploration/Exploitation Tradeoff in Dynamic Cellular Genetic Algorithms”, IEEE Transactions on Evolutionary Computation, vol. 9, no. 2, pp. 126-142, 2005. Available: 10.1109/tevc.2005.843751.

[4]P. Anita and B. Kaarthick, “Oppositional based Laplacian grey wolf optimization algorithm with SVM for data mining in intrusion detection system”, Journal of Ambient Intelligence and Humanized Computing, 2019. Available: 10.1007/s12652-019-01606-6.

[5]P. Asghari, A. Rahmani and H. Javadi, “Privacy-aware cloud service composition based on QoS optimization in Internet of Things”, Journal of Ambient Intelligence and Humanized Computing, 2020. Available: 10.1007/s12652-020-01723-7.

[6]A. Askarzadeh and A. Rezazadeh, “A new heuristic optimization algorithm for modeling of proton exchange membrane fuel cell: bird mating optimizer”, International Journal of Energy Research, vol. 37, no. 10, pp. 1196-1204, 2012. Available: 10.1002/er.2915.

[7]A. Khabbazi, E. Gargari and C. Lucas, “Imperialist competitive algorithm for minimum bit error rate beamforming”, International Journal of Bio-Inspired Computation, vol. 1, no. 12, p. 125, 2009. Available: 10.1504/ijbic.2009.022781.

[8]D. Yang, X. Wang, X. Tian and Y. Zhang, “Improving monarch butterfly optimization through simulated annealing strategy”, Journal of Ambient Intelligence and Humanized Computing, 2020. Available: 10.1007/s12652-020-01702-y.

[9]D. Wolpert and W. Macready, “No free lunch theorems for optimization”, IEEE Transactions on Evolutionary Computation, vol. 1, no. 1, pp. 67-82, 1997. Available: 10.1109/4235.585893.

[10]D. Wang and K. Yang, “Optimization Algorithm of Fireworks Explosion Based on Genetic Algorithm”, DEStech Transactions on Computer Science and Engineering, no., 2018. Available: 10.12783/dtcse/csse2018/24505.

[11]P. Singh, K. Rabadiya and G. Dhiman, “A four-way decision-making system for the Indian summer monsoon rainfall”, Modern Physics Letters B, vol. 32, no. 25, p. 1850304, 2018. Available: 10.1142/s0217984918503049.

[12]P. Singh, G. Dhiman and A. Kaur, “A quantum approach for time series data based on graph and Schrödinger equations methods”, Modern Physics Letters A, vol. 33, no. 35, p. 1850208, 2018. Available: 10.1142/s0217732318502085.

[13]Quentin Luo and Liyong Tong, “Constitutive Modeling of Photostrictive Materials and Design Optimization of Micro cantilevers”, Journal of Intelligent Material Systems and Structures, vol. 20, no. 12, pp. 1425-1438, 2009. Available: 10.1177/1045389×09103224.

[14]F. Han and J. Zhu, “Improved Particle Swarm Optimization Combined with Back propagation for Feed forward Neural Networks”, International Journal of Intelligent Systems, vol. 28, no. 3, pp. 271-288, 2012. Available: 10.1002/int.21569.

[15]A. Kaveh and S. Talatahari, “Optimal design of skeletal structures via the charged system search algorithm”, Structural and Multidisciplinary Optimization, vol. 41, no. 6, pp. 893-911, 2009. Available: 10.1007/s00158-009-0462-5.

[16]G. Dhiman and V. Kumar, “Seagull optimization algorithm: Theory and its applications for large-scale industrial engineering problems”, Knowledge-Based Systems, vol. 165, pp. 169-196, 2019. Available: 10.1016/j.knosys.2018.11.024.

[17]M. Dehghani, Z. Montazeri, O. Malik, K. Al-Haddad, J. Guerrero and G. Dhiman, “A NEW METHODOLOGY CALLED DICE GAME OPTIMIZER FOR CAPACITOR PLACEMENT IN DISTRIBUTION SYSTEMS”, Electrical Engineering & Electromechanics, vol. 0, no. 1, pp. 61-64, 2020. Available: 10.20998/2074-272x.2020.1.10.

[18]Y. Zhu, C. Dai and W. Chen, “Seeker Optimization Algorithm for Several Practical Applications”, International Journal of Computational Intelligence Systems, vol. 7, no. 2, pp. 353-359, 2013. Available: 10.1080/18756891.2013.864476.

[19]S. Krenich, “Parallel Evolutionary Algorithm for Computationally Expensive Single Criteria Design Optimization”, Applied Mechanics and Materials, vol. 555, pp. 586-592, 2014. Available: 10.4028/www.scientific.net/amm.555.586.

[20]G. Che, L. Liu and Z. Yu, “An improved ant colony optimization algorithm based on particle swarm optimization algorithm for path planning of autonomous underwater vehicle”, Journal of Ambient Intelligence and Humanized Computing, vol. 11, no. 8, pp. 3349-3354, 2019. Available: 10.1007/s12652-019-01531-8.

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.