چکیده
معمولاً اکثر مسائل بهینه سازی واقعی بسیار غیرخطی هستند. در این مسائل برای یافتن راه حلهای بهینه فقط باید از الگوریتم های بهینه سازی عمومی استفاده کنیم. در این مقاله یک الگوریتم بهینه سازی فرا-اکتشافی به نام الگوریتم سریع دسته ماهی های مصنوعی (FAFSA) برای بهینه سازی و زمان بندی کار ارائه می شود که الهام گرفته شده از طبیعت است. ایده اصلی AFSA پیروی از رفتارهای ماهی مانند شکار و ازدحام و دنبال کردن مکان بهینه محلی و رسیدن به بهینه عمومی است.
1-مقدمه
معمولاً اکثر مسائل بهینه سازی واقعی بسیار غیرخطی هستند. الگوریتم های بهینه سازی محلی در این مسائل کارایی مطلوب را ندارند. به همین دلیل برای رسیدن به راه حلهای بهینه فقط باید از الگوریتم های بهینه سازی عمومی استفاده کنیم ([1][2]).
برای اولین بار Glover در زمان ارائه جستجوی tabu از عبارت فرا-اکتشافی استفاده کرد [3]. روشهای فرا-اکتشافی یک دسته از بهینهسازهای اکتشافی عمومی هستند. تاکنون تعداد زیادی الگوریتم بهینهسازی فرا-اکتشافی با الهام از طبیعت برای تقلید از بهترین رفتارهای طبیعی ارائه شده است. فارمر و همکارانش سیستم ایمنی مصنوعی (AIS) را ارائه کردند [4]. گلدبرگ الگوریتم ژنتیک را معرفی کرد [5]. دوریگو بهینه سازی کلونی مورچه (ACO) را در پایان نامه دکترای خود پیشنهاد داد [25]. کندی و ابرهرت بهینه سازی گروه ذرات (PSO) را ارائه دادند [26]. کارابوگا الگوریتم کلونی زنبور مصنوعی (ABC) را پیشنهاد داد. یانگ و دِب جستجوی فاخته را ارائه کردند...
Abstract
Most optimization problems in real life applications are often highly nonlinear. Only global optimization algorithms should be used to obtain optimal solutions. This paper introduces a new nature-inspired metaheuristic optimization algorithm, called Fast Artificial Fish Swarm Algorithm (FAFSA) for optimization and job scheduling. The basic idea of AFSA is to tradition of the behaviors of fish such as preying, swarming, and following with local fish of individual optimization of global reach