📯 👍 📽️ प्राकृतिक एल्गोरिदम। मधुमक्खी झुंड एल्गोरिथम का कार्यान्वयन Ⓜ️ 👍🏽 👨🏿‍🤝‍👨🏽

मेरे पिछले लेख में, हमने मधुमक्खियों के झुंड के व्यवहार के लिए एक एल्गोरिथ्म का वर्णन किया और अनुकूलन और संश्लेषण समस्याओं को हल करने के लिए इसके आवेदन। C ++ और OpenGL के साथ सशस्त्र, मैंने एक प्रोग्राम लिखा जो इस एल्गोरिथम को दो-आयामी स्थान में लागू करता है और "मधुमक्खियों" के झुंड को प्रदर्शित करता है।

निम्न फ़ंक्शन को परीक्षण फ़ंक्शन के रूप में चुना गया था: $f (x, y) = - J_ {0} (x ^ 2 + y ^ 2) -0.1 * | 1-x - -0.1 * = 1-y |$

उद्देश्य फ़ंक्शन में स्पष्ट रूप से परिभाषित न्यूनतम है, जहां तीसरे चरण में मधुमक्खियों का एक अच्छा आधा उड़ता है।

विभिन्न सेटिंग्स के लिए स्वयं प्रक्रिया का एक छोटा सा वीडियो:

पीएनपी के लिए आकर्षण (व्यक्तिगत सर्वश्रेष्ठ स्थिति) - 0.5। जीएनपी (वैश्विक सर्वश्रेष्ठ स्थिति) के लिए आकर्षण - 0.5। जड़त्वीय वजन - 0.5। एक झुंड में मधुमक्खियों - 60. स्पष्टता के लिए, मैं प्रत्येक चरण से पहले 500ms की देरी निर्धारित करता हूं।

पीएनपी का आकर्षण 0.1 है। जीएनपी के लिए आकर्षण - 0.7। जड़ता वजन - 0.3। एक झुंड में मधुमक्खियों - 60।

अब कार्य अधिक जटिल है।

समारोह बहुत दोलनशील है।

पीएनपी के लिए आकर्षण - 0.3। जीएनपी के लिए आकर्षण - 0.3। जड़ता वजन - 0.3। एक झुंड में मधुमक्खियों - 60।

और उससे भी कठिन काम।

$f (x, y) = - J_ {0} (20x ^ 2 + y ^ 2) -0.1 * - 1-x | -0.1 * - 1-y$

सीमाएँ बढ़ा दी जाती हैं।

पीएनपी के लिए आकर्षण - 0.3। जीएनपी के लिए आकर्षण - 0.3। जड़ता वजन - 0.3। एक झुंड में मधुमक्खियों - 60।

कसौटी बंद करो

आनुवंशिक एल्गोरिथ्म के साथ तुलना करने पर रोक की कसौटी, हालांकि अधिक स्पष्ट है, यहां भी नुकसान हैं। उदाहरण के लिए, दूसरे फ़ंक्शन के मामले में, जिसमें कई स्थानीय मिनीमा हैं, जो वैश्विक एक के मूल्य के काफी करीब हैं। 7 वें सेकंड में, यह देखा जा सकता है कि GNP वैश्विक न्यूनतम पर नहीं था और केवल 12 सेकंड में इसमें चला जाता है।

और निष्कर्ष समस्या के बारे में निष्कर्ष में

यहां एक विशेष बिंदु उद्देश्य फ़ंक्शन का निर्माण है। हमें दिए गए मानदंडों के अनुसार अनुकूलन वस्तु की गुणवत्ता का सही आकलन करना चाहिए। आप कला के कार्यों का निर्माण कर सकते हैं यदि आप एक कानून निर्धारित करते हैं जो सौंदर्य का मूल्यांकन करता है।

उद्देश्य फ़ंक्शन की गणना करने के बजाय, अनुभव भी संभव है। उदाहरण के लिए। हमें कमरे में वाई-फाई बिंदु सेट करने की आवश्यकता है ताकि सोफे पर और रसोई में सिग्नल अधिकतम हो। हमने कमरे की सीमा निर्धारित की। उसके बाद, एल्गोरिथ्म हमें बताता है कि आपको किस बिंदु पर सिग्नल डालने और जांचने की आवश्यकता है। हम रसोई में और सोफे पर सिग्नल को मापते हैं और इन आंकड़ों के आधार पर हम प्रत्येक स्थिति के लिए उद्देश्य फ़ंक्शन के मूल्य को असाइन करते हैं। वहां आप दीवारों से दूरी भी शामिल कर सकते हैं (आप इसे झूमर के नीचे लटका सकते हैं), साथ ही स्विच और आउटलेट से दूरी, फेंग शुई ... और लैपटॉप और एक बिंदु के साथ लगभग दो घंटे चलने के बाद, हम जानेंगे कि इसे कहां और कहां ठीक करना है। कोई जरूरत नहीं

एक उदाहरण, निश्चित रूप से, जंगली है, लेकिन यह वास्तविक जीवन को संदर्भित करता है। मैं इस बात पर जोर देता हूं कि अनुकूलन विधि उद्देश्य फ़ंक्शन के विकल्प को प्रभावित नहीं करती है।

PS विधि का प्रदर्शन अगली बार, साथ ही अगली बार माना जाएगा

MCI की तुलना ढाल वंश विधि के साथ की जाएगी। और अगर ऐसे लोग हैं जो मदद करना चाहते हैं, तो आपका स्वागत है, अपने उम्मीदवारों को आगे रखें और हम जांच करेंगे कि कौन सा एल्गोरिदम बेहतर है और किस मामले में।

PPS बिना टिप्पणियों के प्रोग्राम कोड यहाँ देखा जा सकता है ।

प्राकृतिक एल्गोरिदम। मधुमक्खी झुंड एल्गोरिथम का कार्यान्वयन

कसौटी बंद करो

और निष्कर्ष समस्या के बारे में निष्कर्ष में

More articles: