که در آن تعدادقله­ها و تعداد ابعاد مسئله­اند. این شعاع در طول انجام فرایند بهینه­سازی با بهره گرفتن از یک مکانیزم خود-تطبیقی (که در ادامه به طور مفصل توضیح داده خواهد شد)، کاهش می­یابد. به طور کلی روند تخم­گذاری در الگوریتم MCOA با الگوریتم COA متفاوت است. در MCOA، هر فاخته یک تخم را در محدوده­ خود
می­ گذارد، سپس مقدار شایستگی موقعیت تخم سنجیده می­ شود و در صورت بهتر بودن موقعیت تخم نسبت به موقعیت فاخته­ی تخم­گذار، فاخته­ی تخم­گذار تخم بعدی را بر اساس موقعیت تخمی که گذاشته می­ گذارد. یعنی مرکزیت برای گذاشتن تخم بعدی، موقعیت تخم خواهد بود. در صورتی که موقعیت تخم گذاشته شده بدتر از موقعیت فاخته­­ی تخم­گذار باشد، فاخته تخم بعدی خود را با توجه به همان موقعیت قبلی­اش می­ گذارد. بدین ترتیب در بهترین حالت، می­توان به تعداد تخم­ها، موقعیت­های بهتر را پیدا کرد و در بدترین حالت، موقعیت قبلی بدون تغییر حفظ می­ شود. باید به این نکته اشاره کرد که در MCOA، پس از تخم­گذاری هر فاخته، تنها یک موقعیت که همان بهترین موقعیت یافت شده است باقی می­ماند. این به معنای زنده ماندن فاخته­ی تخم­گذار و یا بهترین تخم بوده و بقیه­ی تخم­ها از بین می­روند. بدین ترتیب، جمعیت فاخته­ها در هر تکرار بدون تغییر باقی خواهد ماند. در واقع با این عمل سعی شده تا از افزایش جمعیت جلوگیری شود. زیرا همان­طور که اشاره شد برای طراحی الگوریتم­های

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

بهینه­سازی در محیط­های پویا، یکی از مهمترین خصوصیات محاسبه­ی کمتر مقدار شایستگی در هر تکرار است.

1. 1. پس از تخم­گذاری، در الگوریتم COA فاخته­ها خوشه­بندی شده و پس از آن به دنبال بهترین
      فاخته­ی موجود در بهترین خوشه حرکت می­ کنند. ولی در الگوریتم MCOA برای کاهش پیچیدگی و به دلیل ثابت ماندن اندازه­ جمعیت، عمل خوشه­بندی حذف شده و تمام فاخته­ها با بهره گرفتن از رابطه­ زیر به دنبال بهترین فاخته­ی دسته حرکت می­ کنند:

(۵‑۲)

که در آن موقعیت فاخته­ی ام در فضای بعدی، موقعیت بهترین فاخته در دسته، تابع یک بردار بعدی از اعداد تصادفی با توزیع یکنواخت در بازه­ی و نشان­دهنده عملیات ضرب مولفه­های نظیر به نظیر دو بردار می­باشند.
۵-۱-۱ مکانیزم خود-تطبیقی شعاع تخم­گذاری
با توجه به مطالب عنوان شده­­ی قبلی، برای تعیین شعاع تخم­گذاری فاخته­های هر دسته از یک مکانیزم خود-تطبیقی استفاده می­ شود. در واقع هدف از به کارگیری این مکانیزم و کاهش مقدار در روند اجرای الگوریتم، افزایش توانایی جستجوی محلی و همگام کردن فضای جستجوی دسته با منطقه­ای از فضای مسئله است که آن را برای یافتن موقعیت­های بهتر کاوش می­ کند.
مکانیزم به این­صورت عمل می­ کند که از نرخ موفقیت فاخته­های موجود در دسته جهت بهبود موقعیت، به عنوان پارامتر تطبیقی بهره می­گیرد. در واقع نسبت تعداد دفعاتی که تمام فاخته­های موجود در دسته می­توانند موقعیت خود را با گذاشتن تخم­هایی در موقعیت­های بهتر بهبود بخشند به کل تعداد تخم های گذاشته شده در طول مرحله­ تخم­گذاری، به عنوان نرخ موفقیت به حساب می ­آید. در زیر رابطه­ای که در آن مقدار در هر تکرار با بهره گرفتن از نرخ موفقیت تعیین می­ شود نشان داده شده است:

(۵‑۳)

که در آن تعداد دفعاتی است که فاخته­ی ام توانسته تخم­هایی با موقعیت­های بهتر در تکرار ام بگذارد و برابر است با تعداد کل تخم­هایی که فاخته­ی ام در این تکرار گذاشته است. همچنین جمعیت کل فاخته­ها، نشان­دهنده مقدار در تکرار ام و و برابر با حد پایین و بالای مقدار تغییرات می­باشند. با توجه به رابطه­ فوق، هنگامی که نرخ موفقیت بیشتر باشد، یعنی مقدار جاری برای ادامه­ جستجو مناسب است. بنابراین بایستی با نرخ کمتری مقدار را کاهش داد. برعکس در صورتی­که نرخ موفقیت کمتر باشد، الگوریتم بایستی با نرخ بیشتری را کاهش دهد تا توانایی جستجوی محلی را بالاتر ببرد. در شکل ۵-۱ و ۵-۲ شبه کد و کارنمای مربوط به الگوریتم MCOA نشان داده شده است.

MCOA Procedure

۱:

For each Cuckoo i ϵ [۱… N]

۲:

Initialize Habitat_i Randomly

۳:

Repeat

۴:

For each Cuckoo i ϵ [۱… N]