بهینه‌سازی فرا ابتکاری

Meta-Heuristic Optimization

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف این درس آشنایی و تولید الگوریتم‌های فراابتکاری برای حل مسایل مختلف بهینه‌سازی است. در این درس ابتدا الگوریتم‌های تکاملی معرفی می‌شوند و سپس تعدادی از الگوریتم‌های فراابتکاری شناخته شده معرفی می‌شوند و در نهایت ابزارهای لازم برای تولید انواع الگوریتم‌های فراابتکاری بررسی می‌شوند.

سرفصل‌ها

  1. تئوری ماکروسکوپی و میکروسکوپی تکامل
  2. الگوریتم‌های تکاملی: چارچوب کلی، عملگرهای تنوع، عملگرهای انتخاب
  3. الگوریتم‌های تکاملی: الگوریتم ژنتیکی، استراتژی تکاملی، برنامه‌نویسی ژنتیکی، الگوریتم ممتیک
  4. الگوریتم‌های جستجوی محلی: الگوریتم تپه‌نوردی، قدم زدن تصادفی، گرم و سرد گردن تدریجی
  5. الگوریتم‌های مبتنی بر جمعیت: گروه ذرات، کلونی مورچگان
  6. مدیریت محدودیت‌ها در بهینه‌سازی در الگوریتم‌های فراابتکاری
  7. مسائل بهینه‌سازی چند قله‌ای در الگوریتم‌های فراابتکاری
  8. مسائل بهینه‌سازیی چند هدفی در الگوریتم‌های فراابتکاری
  9. روش‌های بهینه‌سازی پارامترهای الگوریتم‌های فراابتکاری

ارزیابی پیشنهادی

منابع پیشنهادی

  1. A. E. Eiben and J. E. Smith. Introduction to Evolutionary Computing. Springer, 2015.
  2. K. A. D. Jong. Evolutionary Computation: A Unified Approach. MIT press, 2006.