Evolutionary and population-based methods versus constructive search strategies in dynamic combinatorial optimization

بهینه سازی در محیط های پویا یک منطقه تحقیقاتی داغ است که در دهه گذشته توجه قابل توجهی را به خود جلب کرده است. از ادبیات بهینه سازی پویا روشن است که بیشتر تلاش ها برای مشکلات بهینه سازی پویای دائمی اختصاص داده می شود، گرچه اکثر مشکلات زندگی واقعی ترکیبی است. علاوه بر این، در مقایسه با رویکردهای تکاملی یا مبتنی بر جمعیت، استراتژی جستجوی سازمانی که در مسائل بهینه سازی کامپتیوتر ثابت صورت می گیرد، به وضوح توسط جامعه بهینه سازی پویا نادیده گرفته می شود. در این مقاله، یک راهبرد جستجوی سازنده و چندگانه برای حل مشکل پیچیده پوسته چند بعدی طراحی شده است که کاربردهای فراوانی در دنیای واقعی دارد. با استفاده از ویژگی های سازنده و چند شروع، هدف این است که تست عملکرد چنین استراتژی و مشاهده رفتار آن در محیط های تغییر دینامیک باشد. در این راستا، این استراتژی با رویکردهای شناخته شده تکاملی و مبتنی بر جمعیت، از جمله الگوریتم الگوریتم الگوریتم ژنتیک مبتنی بر الگوریتم، الگوریتم تکاملی دیفرانسیل، الگوریتم فایرفلی و ابرهوریستی است که این الگوریتم های مبتنی بر جمعیت را به عنوان کم اکتشافات سطحی با توجه به مشارکت فردی آنها. علاوه بر این، به منظور بهبود عملکرد آنها در محیط های پویا، الگوریتم های تکاملی ذکر شده با استفاده از مهاجران تصادفی منجر شده و استراتژی های صعود تپه ای سازگار است. همانطور که از تجزیه و تحلیل تجربی جامع می توان دید، در حالی که رویکرد پیشنهادی اکثر رویکردهای مبتنی بر تکامل را بهتر عمل می کند، در برخی موارد از الگوریتم های کره ای و الگوریتم فوق العاده ای استفاده می شود. این نشان دهنده رقابت روش های پیشنهادی است. در نهایت، با توجه به نتایج آماری آزمون های غیر پارامتری، می توان نتیجه گرفت که رویکرد پیشنهاد شده می تواند به عنوان یک الگوریتم امیدوار کننده و رقابتی در محیط های پویا در نظر گرفته شود.