فهرست مطالب 1- الگوریتم کلونی زنبورعسل مصنوعی 2- معرفی چند الگوریتم بهینه شده کلونی زنبورعسل در محیط پیوسته 3- الگوریتم کلونی زنبورعسل مصنوعی موازی 4- الگوریتم کلونی زنبورعسل مصنوعی برای مسائل بهینه سازی دودویی

Artificial Bee Colony Algorithm Reference: Dervis Karaboga, An Idea Based On Honey Bee Swarm for Numerical Optimization, Technical Report-TR06,Erciyes University, Engineering Faculty, Computer Engineering Department 2005. الگوریتم کلونی زنبورعسل مصنوعی

وجود ویژگی های هوش جمعی در زنبورها الگوریتم کلونی زنبورعسل مصنوعی وجود ویژگی های هوش جمعی در زنبورها -خودسازمانده - دنبال کردن منابع غذایی بهتر توسط زنبور های بیشتر ترک منبع غذایی متروک شده جستجوی منبع غذای بهتر - تقسیم کار - مشخص کردن جهت، فاصله، کیفیت و کمیت منبع یافت شده

الگوریتم کلونی زنبورعسل مصنوعی

الگوریتم ارائه شده توسط Karaboga در سال 2005 الگوریتم کلونی زنبورعسل مصنوعی الگوریتم ارائه شده توسط Karaboga در سال 2005 مبتنی بر رفتار کاوشی زنبور عسل در یافتن منابع غذایی مناسب برای حل مسائل بهینه سازی چند حالته و چند بعدی

فرآیند های انتخاب در الگوریتم کلونی زنبور عسل مصنوعی الگوریتم کلونی زنبورعسل مصنوعی فرآیند های انتخاب در الگوریتم کلونی زنبور عسل مصنوعی فرآیند انتخاب سراسری فرآیند انتخاب محلی توسط زنبور های کارگر فرآیند انتخاب محلی توسط زنبورهای ناظر فرآیند انتخاب تصادفی توسط زنبور پیشاهنگ

مقداردهی اولیه به منابع غذایی الگوریتم کلونی زنبورعسل مصنوعی مقداردهی اولیه به منابع غذایی ابتدا منابع غذایی، یا پاسخ هایی اولیه مسأله به صورت تصافی از طریق معادله 1، مقدار دهی اولیه می شوند. (1)

زنبورهای کارگر به سمت منابع غذایی حرکت می کنند. الگوریتم کلونی زنبورعسل مصنوعی زنبورهای کارگر به سمت منابع غذایی حرکت می کنند. منابع غذایی همان موقعیت زنبورها در فضای مسأله است.

الگوریتم کلونی زنبورعسل مصنوعی هر زنبور کارگر، به طور تصادفی یک همسایه انتخاب می کند و از طریق معادله 2، به سمت آن حرکت می کند. (2)

الگوریتم کلونی زنبورعسل مصنوعی

الگوریتم کلونی زنبورعسل مصنوعی

الگوریتم کلونی زنبورعسل مصنوعی

حرکت زنبورهای ناظر الگوریتم کلونی زنبورعسل مصنوعی حرکت زنبورهای ناظر به منابع غذایی با احتمال محاسبه شده از طریق چرخ رولت با استفاده از معادلات زیر و تعیین محله های جدید: (3) (4)

الگوریتم کلونی زنبورعسل مصنوعی زنبورهای پیشاهنگ آن ناحیه هایی که از نظر شهد نامطلوب شناسایی شدند، ترک و به تصادف ناحیه های دیگری را انتخاب می کنند. درصورتی که یک منبع غذایی بهتر پس از رسیدن شاخص محاکمه به حد تعیین شده یافت نشود، منبع غذایی جدیدی توسط زنبورهای پیشاهنگ به صورت تصادفی با استفاده از معادله زیر مقداردهی می گردد:

الگوریتم کلونی زنبورعسل مصنوعی The pseudo code of the ABC algorithm

چند الگوریتم بهینه شده کلونی زنبورعسل مصنوعی Reference: 1- G. Zhu, S. Kwong, Gbest-guided artificial bee colony algorithm for numerical function optimization, Applied Mathematics & Compution. 217 (2010) 3166–3173. 2- A. Banharnsakun, T. Achalakul, B. Sirinaovakul, The best-so-far selection in Artificial Bee Colony algorithm, Applied Soft Computing. 11 (2011) 2888–2901. 3- D. Karaboga, B. Gorkemli, A quick artificial bee colony (qABC) algorithm and its performance on optimization problems, Applied Soft Computing. 23 (2014) 227–238. GABC, Best-so-far ABC, qABC چند الگوریتم بهینه شده کلونی زنبورعسل مصنوعی

الگوریتم Gbest- guided ABC در فاز اول و دوم الگوریتم، از معادله زیر به جای معادله 2 در الگوریتم کلونی زنبور عسل مصنوعی استفاده می کند. با توجه به الگوریتم ازدحام ذرات، بهترین موقعیت بدست آمده توسط گروه ، yj، محاسبه می گردد.

بهترین موقعیت بدست آمده توسط زنبورها در پایان فاز اول، محاسبه می گردد. الگوریتم Best-so-far ABC در فاز اول از همان معادله 2 و در فاز دوم الگوریتم از معادله زیر به جای معادله 2 در الگوریتم کلونی زنبور عسل مصنوعی استفاده می کند. بهترین موقعیت بدست آمده توسط زنبورها در پایان فاز اول، محاسبه می گردد.

شرط جایگزینی راه حل بهتر بر اساس مقدار تابع هدف است. الگوریتم Best-so-far ABC شرط جایگزینی راه حل بهتر بر اساس مقدار تابع هدف است.

شرط جایگزینی راه حل بهتر بر اساس مقدار تابع هدف است زیرا: الگوریتم Best-so-far ABC شرط جایگزینی راه حل بهتر بر اساس مقدار تابع هدف است زیرا:

الگوریتم Best-so-far ABC در فاز سوم از رابطه زیر استفاده می کند و در صورتی Vij جایگرین Xij می گردد که از نظر تابع هدف بهتر باشد. اگر نباشد مقدار شاخص محاکمه یک واحد اضافه می گردد.

الگوریتم qABC استفاده از یک شعاع همسایگیr برای بدست آوردن همسایه مناسب، :mdm میانگین فاصله زنبورها تا زنبور m

Parallel Artificial Bee Colony الگوریتم کلونی زنبورعسل مصنوعی موازی (PABC) الگوریتم کلونی زنبورعسل مصنوعی موازی Reference: Harikrishna Narasimhan , Parallel Artificial Bee Colony (PABC) Algorithm, World Congress on Nature & Biologically Inspired Computing, NaBIC, 2009.

استفاده از یک حافظه اشتراکی الگوریتم کلونی زنبورعسل موازی هدف در این الگوریتم: پیاده سازی الگوریتم کلونی زنبورعسل مصنوعی به صورت موازی عدم تاثیر گذاری بر روی جواب نهایی الگوریتم افزایش سرعت پاسخ گویی توزیع زنبورها روی پردازنده های مختلف و بهبود راه حل های پیشنهادی به صورت مستقل جستجوی همسایگی محاسبه ی احتمال استفاده از یک حافظه اشتراکی

الگوریتم کلونی زنبورعسل موازی   (5)

الگوریتم کلونی زنبورعسل موازی بهبود راه حل موجود در حافظه محلی با انتخاب تصادفی یک راه حل از حافظه ی اشتراکی در جستجوی همسایگی (6) انتخاب یک راه حل توسط زنبورهای ناظر از حافظه محلی براساس رابطه احتمالی زیر: (7)

The pseudo code of the Parallel ABC algorithm

حل مسائل ناپیوسته و دودویی توسط الگوریتم کلونی زنبور عسل مصنوعی حل مسائل ناپیوسته و دودویی توسط الگوریتم کلونی زنبور عسل مصنوعی Reference: Mustafa Servet Kiran, The continuous artificial bee colony algorithm for binary optimization, Applied Soft Computing 33 (2015) 15–23. D. Jia, X. Duan, M.K. Khan, Binary Artificial Bee Colony optimization using bitwise operation, Computer and Industrial Engineering. 76 (2014) 360–365.

The continuous artificial bee colony algorithm for binary optimization الگوریتم اول: The continuous artificial bee colony algorithm for binary optimization

الگوریتم اول:

حل مسائل دودویی 1. Initialization a. Set N as the number of food source s b. Set trial for each food source. c. Set the limit control para mete r value d. Set the termination condition e. Set D as dimensionality of the problem. f. Create food source s (N x D) using Eq. 1 g. Convert continuous solutions to binary solutions using Eq. 6 h. Evaluate the fitness of the solutions by using objective function specific for the problem and Eq. 2 i. Memorize the best solution

حل مسائل دودویی 2. Employed Bee Phase a. For each employed bee i. Select a neighbor solution randomly. ii. Produce a candidate food source by using Eq. 3 iii. Convert to continuous solution to binary solution using Eq. 6 iv. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2 v. If fitness of the new solution is better than old one, memorize the new solution and reset trial of this food source; otherwise increase trial by 1

حل مسائل دودویی 3. Onlooker Bee Phase a. Calculate designation probability of each food source by using Eq. 4 b. For each onlooker bee i. Select a food source by using designation probability. ii. Select a food source randomly. iii. Produce a candidate food source by using Eq. 3 iv. Convert to continuous solution to binary solution using Eq. 6 v. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2 vi. If fitness of the new solution is better than old one, memorize the new solution and reset trial of this food source; otherwise increase trial by 1

حل مسائل دودویی 4. Scout Bee Phase a. Fix the trial with maximum content b. If this content is higher than limit, i. Remove this solution from the population ii. Create a new solution by using Eq. 1 iii. Convert continuous solution to binary solution using Eq. 6 iv. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2 v. Reset trial of new solution.

حل مسائل دودویی 5. Termination a. If the best solution of the population is better previous best solution, memorize the new best solution b. If the termination condition is met, report the best solution; otherwise go to Employed Bee Phase

Binary Artificial Bee Colony optimization using bitwise operation الگوریتم دوم: Binary Artificial Bee Colony optimization using bitwise operation ابتدا منابع غذایی، یا پاسخ های اولیه مسأله به صورت تصادفی از طریق معادله زیر، مقدار دهی اولیه با صفر و یک می شوند.

Binary Artificial Bee Colony optimization using bitwise operation حل مسائل دودویی Binary Artificial Bee Colony optimization using bitwise operation

حل مسائل دودویی Binary Artificial Bee Colony optimization using bitwise operation در فاز اول و دوم الگوریتم، از معادله زیر به جای معادله 2 در الگوریتم کلونی زنبور عسل مصنوعی استفاده می کند. φ از رابطه زیر تبدیل به صفر و یک می گردد: