الگوریتم کلونی زنبور عسل

1. نام درس : هوش مصنوعی استاد محترم: آقای دکتر ارائه شده توسط : دانشگاه بهار 1397 الگوریتم کلونی زنبور عسل

5. فهرست مطالب : • مقدمه • تعریف • جستجوی غذا در طبیعت • فلوچارت الگوریتم کلونی زنبورهای مصنوعی • محاسبه تغییرات بر روی مکان • کاربردهای الگوریتم زنبور عسل • the ride matching problem • دنیای مجازی در تسخیر زنبور دیجیتال • سایر کاربردها • نتیجه گیری • فهرست منابع

7. مقدمه : هوش جمعی شاخه ای از پژوهش بر اساس جمعیت است، که مدل های جمعیتی از عوامل مورد تداخل، یا ازدحام که می توانند :خود سازماندهی کنند. کلونی مورچه، ازدحام پرندگان و یا زنبورها یک نمونه ساده ای از سیستم جمعیتی است.نمونه دیگر از هوش جمعی کلونی زنبور عسل در اطراف کندو است. هوش کلونی زنبور عسل (ABC) یک الگوریتم است که یک الگوریتم بهینه سازی بر اساس رفتار هوشمندانه جمعیت زنبور عسل است. 1

8. الگوریتم زنبور عسل شامل: گروهی مبتنی بر الگوریتم جستجو است که اولین بار در سال 2005 توسعه یافت، این الگوریتم شبیه سازی، رفتار جستجوی غذای گروه های زنبور عسل است. در نسخه ابتدایی این الگوریتم، نوعی از جستجوی محلی را انجام می دهد که با جستجوی تصادفی ترکیب شده و می توانند برای بهینه سازی ترکیبی {زمانی که بخواهیم چند متغییر را همزمان بهینه کنیم}یا بهینه سازی تابعی به کار رود. تعریف : 2

9. جستجو غذا در طبیعت : یک کلونی زنبور عسل می تواند در مسافت زیادی و نیز در جهت های گوناگون پخش شود تا از منابع غذایی بهره برداری کند: Hive A C B 10 Km تلاش براییافتن قطعاتگلدار 3

10. Hive A C B • جستجو غذا در طبیعت(ادامه): زنبورهای پیشاهنگ برای یافتن غذا از یک محدوده به محدوده دیگری به صورت تصادفی جستجو می کنند. Hive A C B تلاش برای یافتن قطعاتگلدار 4

11. جستجو غذا در طبیعت(ادامه) ارزیابی محدوده های مشاهده شده نسبت به کندو:- کیفیت مواد غذایی- میزان مصرف انرژی(موقعیت و مکان آن) Hive A C B تلاش برای یافتن قطعاتگلدار 5

12. جستجو غذا در طبیعت(ادامه) زنبور تماشاگر می تواند تعداد زیادی رقص را مشاهده کند و یکی از منابع غذایی را انتخاب نماید. با توجه به مدت زمان چرخش ، احتمال انتخاب منابع غذایی با کیفیت بیشتر بالاتر خواهد بود. Beehive Dance floor 6

13. رقص چرخشی این رقص که به نام "رقص چرخشی" شناخته می شود.اطلاعات مربوط به : 1. جهت تکه های گل (زاویه بین خورشید و پچ) 2. فاصله از کندو (مدت رقص) 3. رتبه کیفیت(سرعت رقص) 7

14. رقص چرخشی(ادامه) • رفتن زنبور ها به محدوده ی انتخاب شده توسط اطلاعات دریافت شده از رقص چرخشی برای جمع آوری غذا B Hive A 8

16. فلوچارت الگوریتم زنبور عسل 1 مقدار دهی اولیه به n زنبور پیش آهنگ 2 محاسبه تابع ارزیابی برای هر کدام از اعضای جمعیت 3 انتخاب m مکان برای جستجوی محلی مشخص نمودن شعاع جستجو (ثابت یا متغیر با زمان) 4 جستجوی محلی فرستادن زنبورهای جدید برای مکان های انتخابی (تعداد بیشتر زنبور برای مکان های بهتر) 5 6 انتخاب بهترین زنبور از هر مکان 7 فرستادن n-m زنبور باقی مانده برای جستجوی تصادفی 8 9 جمعیت زنبورهای پیش آهنگ جدید

17. y x یک مثال ساده Graph 1. Initialise a population of (n=10) scout bees with random search and evaluate the fitness * * * * * * * * * * مقدار دهی اولیه به n زنبور پیش آهنگ 10

18. y x یک مثال ساده(ادامه) Graph 2. Select best (m=5) sites for neighbourhood search: the best e=2 sites “▪” and (m-e=3) other selected sites“▫” ▪ ▪ ▫ ▫ ▫ * * * * * محاسبه تابع ارزیابی برای هر کدام از اعضای جمعیت 11

19. y x یک مثال ساده(ادامه) Graph 3. Determine the size of neighbourhood (patch size ngh) ▪ ▪ ▫ ▫ ▫ انتخاب m مکان برای جستجوی محلی 12

20. y x یک مثال ساده(ادامه) Graph 4. Recruit bees for selected sites (more bees for the best e=2 sites) Hive * * * * * * * ▪ * * * ▪ * * ▫ * * * * ▫ * * ▫ * * فرستادن زنبورهای جدید برای مکان های انتخابی (تعداد بیشتر زنبور برای مکان های بهتر) 13

21. y x یک مثال ساده(ادامه) Graph 5. Select the fittest bee “ * ” from each site * ▪ * * * ▪ * * ▫ * * * * ▫ * * ▫ * * انتخاب بهترین زنبور از هر مکان 14

22. y x یک مثال ساده(ادامه) Graph 6. Assign the (n–m) remaining bees to random search o * * * o o * * o o فرستادن n-m زنبور باقی مانده برای جستجوی تصادفی 15

23. y x یک مثال ساده(ادامه) * * * * * Graph 7. Find the global best point 16

25. محاسبه تغییرات بر روی مکان هر یک از زنبورهای کارگر و تماشاگران ممکن است تغییراتی بر روی موقعیت منبع غذایی( راه حل) در حافظه ی خود ایجاد کنند و شایستگی آن را محاسبه می کند. Vij= Xij + ɸij (Xij - Xĸᴊ ) i≠k, kϵ {1,2,…,BN}, jϵ{1,2,…,D}, ɸij ϵ[-1,1] هرچه تفاوت بین Xi,j و Xk,j کاهش یابد انحراف از موقعیت Xi,j کاهش خواهد یافت. پارامتر ها: • Vij : محاسبه تغییرات بر روی مکان • Xij : تولید منبع غذایی در ناحیه همسایگی • ɸij: یک عد تصادفی در بازه [1 1-] • BN: تعداد زنبور های کارگر 17

26. محاسبه تغییرات بر روی مکان (ادامه) بعد از اتمام فرایند جستجو، تماشاگران اطلاعات هر کدام از زنبورهای کارگر را ارزیابی می کنند و با یک احتمال متناسب با میزان کیفیت شهد منبع، یکی از منابع غذایی را انتخاب می کنند. این احتمال از رابطه زیر بدست می آید: Fit : میزان شایستگی منبع غذایی متناظر با زنبور ¡ام Sn : تعداد راه حل های موجود 18

27. the ride matching problem • دنیای مجازی در تسخیر زنبور دیجیتال

28. کاربردهای الگوریتم: • الگوریتم زنبور عسل را باید الگوریتمی معرفی کرد که علیرغم سن نه چندان زیاد کاربردهای فراوانی برای آن ذکر شده است. • The Ride-Matching Problem • دنیای مجازی در تسخیر زنبور دیجیتال 19

29. The Ride-Matching Problem: شبکه های راه شهری در بیشتر کشورها به طرز شدیدی متمرکز شده در نتیجه زمان سفر درون شهری و تعدا توقف ها افزایش یافته است. مدیریت رشد سفر تکنیک Ride Sharing اطلاعات: الف) ظرفیت وسیله نقلیه( دو، سه یا چهار نفر) ب) روزهای از هفته که هر فرد برای شرکت در RS حاضر است ج) مبدا سفر برای هر روز هفته د) مسافت سفر برای هر روز هفته ه) مقصد مورد نظر و یا زمان رسیدن برای هر روز هفته 20

30. The Ride-Matching Problem: (ادامه) RS مسیر یابی و زمانبندی وسایل نقلیه و مسافران برای تمامی هفته در "بهترین روش ممکن." • کمینه کردن کل مسافتی که توسط تمامی اعضای شرکت کننده پیموده می شود. • کمینه کردن وقفه کل • برابر کردن نسبی بهره برداری از وسایل نقلیه 21

31. Sloving The Ride-Matching Problem By The Fuzzy Bee System: راننده مسافر ……. مرحله دوم مرحله اول ……. فاصله مکانی در مبدا فاصله ی مکانی در مسافت فاصله ی زمانی در ورود به مقصد خیلی جذاب کمتر جذاب گره خاص جذاب 22

32. Sloving The Ride-Matching Problem By The (ادامه)Fuzzy Bee System: • الگوریتم منطق تقریبی جذابیت گره را با قوانین زیر تعیین می کند: • اگر فاصله ی مکانی در مبدا کوتاه باشد و فاصله مکانی در مسافرت کوتاه باشد و فاصله ی زمانی ورود کوتاه باشد آنگاه جذابیت گره بالا است. • اگر طول مسیر پیشنهادی کوتاه باشد و تعداد زنبورهایی که آن راه را پیشنهاد داده اند کم باشد آنگاه جذابیت آن راه متوسط است. 23

33. آزمایش عددی : ما مدل پیشنهادی RS را برای شهر Trani(شهر کوچک و زیبایی در جنوب ایتالیا ) تا شهر Bari(مرکز منطقه Puglia) امتحان کردیم. ما اطلاعات مربوط به 97 مسافر که خواستار شرکت در پروژه ی Ride Sharing بودند را جمع آوری کرده و برای سادگی مساله ظرفیت هر اتومبیل را 4 نفر در نظر گرفتیم. در این حالت الگوریتم 24*4=96نفر از 97 نفر را برای ساختن بهترین راه کنار می گذارد. ما از کندویی با 15 زنبور که سریعا (و یکبار) کندو را ترک می کنند استفاده کردیم زنبورها فقط 6 مسیر غذایابی را پیدا کردند و دیگر مسیرها رها شدند. 24

34. دنیای مجازی در تسخیر زنبور دیجیتال دانشمندان در صدد هستند تا ارتشی از زنبور های دیجیتال خلق کنند که با تمام قوا و همراه با افسران ارشد ، گروهبانان دیجیتال و نگهبانان و دیده وران خود در اعماق رایانه ها به کار جستجوی ویروس ها ، تروجان ها و سایر افزار های مضر می پردازند . دانشمندان معتقدند این نرم افزار آنتی ویروس جدید می تواند ضمن آزاد گذاشتن دسترسی سخت افزار، حفاظت بهتری را برای رایانه ایجاد کند. 23

36. سایر کاربردها • برخی از کاربردهای دیگر الگوریتم در مهندسی عبارتند از: • آموزش شبکه های عصبی برای الگو شناسی • زمان بندی کارها برای ماشین های تولیدی • دسته بندی اطلاعات • بهینه سازی طراحی اجزای مکانیکی • بهینه سازی چندگانه • میزان کردن کنترل کننده های منطق فازی برای ربات های ورزشکار 24

37. نتیجه گیری این الگوریتم نوعی از الگوریتم هاست که به صورت کاوشی برای جستجوی جواب خود با توجه به محیط تعریف شده عمل می کند. یعنی این الگوریتم محدودیتی به یک حیطه علمی ندارد. تنها باید به این نکته توجه کرد که این الگوریتم را باید برای جستجو به کار برد و حتی می تواند در سطح حرفه ای در ساخت ، رمز گشایی و بسیاری از مسائل دیگر نیز استفاده شود. 25

38. منابع: • مارک ریدلی -الگوریتم زنبورها - ابزار نوین برای مشکلات بهینه سازی مجتمع • مرکز مهندسی ساخت و تولید، دانشگاه کاردیف، انگلستان • - کاربرد الگوریتم در مسائل ریاضی،گروه علمی فناوری اطلاعات دانشگاه پیام نور • www.pdfdatabase.com • www.matlabsit.com 26

39. با تشکر از توجه شما 28