الگوریتم های بهینه سازی

الگوریتم های بهینه سازی (Optimization Algorithms) به آن دسته از الگوریتم‌هایی گفته می‌شود که با توجه به محدودیت‌ها و نیازهای یک مسئله بهینه سازی، برای یافتن یک جواب قابل قبول تلاش می‌کند. مسائل بهینه سازی با روش‌های مختلفی حل می‌شوند؛ مانند استفاده از الگوریتم های بهینه سازی، استفاده از الگوریتم‌های ابتکاری یا هیوریستیک (Heuristic) و همچنین، استفاده از روش های فرا ابتکاری یا متاهیوریستیک (Metaheuristic) که گاهی اوقات این روش‌ها با یکدیگر تلفیق می‌شوند و راه حل جدیدی را ارائه می‌دهند. در بسیاری از متون نیز به تمامی این الگوریتم‌ها، الگوریتم های بهینه سازی نیز می‌گویند. اما تفاوتی بین این تعاریف وجود دارد.

لیست الگوریتم فرا ابتکاری

الگوریتم فراابتکاری یا متاهیوریستیک (به انگلیسی Meta Heuristic) که به آنها الگوریتم های فراتکاملی هم گاها گفته میشود، دسته ای از الگوریتم هایی هستند که برای حل مسائل بهینه سازی به کار برده میشوند.

در حالت کلی ، الگوریتم های بهینه سازی به دو دسته تقسیم میشوند:

• الگوریتم های دقیق یا exact
• الگوریتم های تقریبی یا approximate

الگوریتم های دقیق ، که غالبا الگوریتم ها و روش های ریاضی کلاسیک هستند، میتوانند جواب دقیق مسئله را پیدا کنند اما از آنجا که در حل مسائل سخت و پیچیده و بخصوص ابعاد بالا، ناتوان و ناکارامد هستند و اجرای آنها ممکن است سالها طول بکشد ، کارایی کافی را ندارند.

الگوریتم های تقریبی یا approximate میتوانند در زمان کوتاه و قابل قبولی ، پاسخ های خوب (نزدیک به بهینه) را برای مسائل سخت و پیچیده پیدا کنند ، و از این نظر بسیار کاربردی و مهم هستند.

الگوریتم های تقریبی را میتوان در سه دسته تقسیم کرد:

1. الگوریتم های ابتکاری heuristic
2. الگوریتم های فراابتکاری Meta heuristic
3. الگوریتم های ابرابتکاری یا Hyper heuristic

الگوریتم های ابتکاری یا heuristic در واقع الگوریتم های اولیه ای بودند که با بکاربردن تابع اکتشاف ، گامی برای حل مسائل مختلف در هوش مصنوعی برداشتند. الگوریتم هایی مانند جستجوی عمقی ، جستجوی عرضی ، A* و غیره.

اما مشکلاتی مانند گیرافتادن در بهینه محلی و همگرایی زودرس که در اغلب الگوریتم های ابتکاری وجود دارد، منجر به پیدایش الگوریتم های فراابتکاری یا meta heuristic شد.

الگوریتم های فراابتکاری ، با بهره گیری از دو مکانیزم مهم و کلیدی بنام اکتشاف (Exploration) و بهره برداری (Exploitation) توانایی فرا از بهینه محلی و رسیدن به بهینه سراسری را دارند.

توسعه روش طبقه بندی دیتاست های نامتوازن با استفاده از الگوریتم های تکاملی چندهدفه

طبقه بندی داده ها از مباحث اساسی علم مدیریت است که از رویکردهای مختلفی مورد بررسی قرار گرفته است. روش های هوش مصنوعی از مهمترین روش های طبقه بندی هستند که اغلب آنها تابع دقت کل را در ارزیابی عملکرد مد نظر قرار می دهند. از آنجاییکه در دیتاست های نامتوازن, این تابع, هزینه خطاهای پیش بینی را یکسان در نظر می گیرد, در این پژوهش علاوه بر تابع دقت کل, از تابع حساسیت نیز به منظور افزایش دقت در هر یک از کلاس های از پیش تعریف شده, استفاده شده است. به علاوه, بدلیل پیچیدگی فرآیند کسب اطلاعات از تصمیم گیرنده, از الگوریتم فرا ابتکاری NSGA II جهت استنتاج مقادیر پارامترها, (بردار وزن و سطوح برش بین کلاس ها) استفاده گردیده است. در هر تکرار, الگوریتم با استفاده از بردار وزن برآورد شده و دیتاست ها, امتیاز هر آلترناتیو را با تابع Sum Product محاسبه نموده و در مقایسه با سطوح برش تخمینی, آن آلترناتیو را به یکی از دسته ها تخصیص می دهد. سپس با استفاده از توابع برازش, دسته تخمینی و دسته واقعی را مقایسه نموده و این فرایند تا بهینه سازی پارامترها ادامه می یابد. مقایسه نتایج الگوریتم های NSGA II و NRGA, نشان دهنده کارایی بالای الگوریتم ارائه شده است

لینک دانلود: توسعه روش طبقه بندی دیتاست های نامتوازن با استفاده از الگوریتم های تکاملی چندهدفه