ارائه الگوریتم‌های فراابتکاری مؤثر مبتنی بر رفتار پرندگان

گروه استان‌های خبرگزاری آنا؛ رساله دکتری هدا زمانی دانش‌آموخته دکتری رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز دانشگاه آزاد اسلامی واحد نجف‌آباد با راهنمایی محمدحسین ندیمی از طرف انجمن IEEE بخش ایران از بین ده‌ها رساله دکتری از دانشگاه‌های دولتی و آزاد سراسر کشور به‌عنوان رساله برگزیده انتخاب شد.

رساله دکتری نمادی از تولید علم و نوآوری در حوزه تخصصی است و در این رساله برگزیده، روش‌های نوینی برای حل مسائل کاربردی با مقیاسِ بزرگ و پیچیده ارائه شده که مبتنی بر مدل‌سازی رفتار پرندگان مانند پدیده شگفت‌انگیز مورموریشنِ سار‌ها (Starling Murmuration) و محاسبات کوانتومی (Quantum Computing) در مسیریابی پرندگان مهاجر است.

هدا زمانی در گفت‌وگو با خبرنگار گروه استان‌های خبرگزاری آنا، رساله دکتری خود را تحقیق تیمی دانست و اظهار کرد: کسب این افتخار و جایزه به سبب برنامه‌ریزی، همکاری و راهنمای‌های بی‌بدیل محمدحسین ندیمی از دوره کارشناسی ارشد تا دکتری است. در صورت حمایت‌های لازم، شاهد کاربرد‌های بیشتر صنعتی و تجاری این تیم تحقیقاتی خواهیم بود. تاکنون دو روش نوین و یک روش بهبودیافته معرفی شده در رساله دکتری و نتایج دیگر تحقیقات تیمی آنها در ۱۵ مقاله پژوهشی در مجلات ISI با ضریب تأثیر بالا چاپ شده است.

وی در تشریح چکیده رساله خود با عنوان «ارائه الگوریتم‌های فراابتکاری مؤثر مبتنی بر رفتار پرندگان برای حل مسائل بهینه‌سازی با مقیاسِ بزرگ» بیان کرد: در طول چند دهه اخیر، الگوریتم‌های فراابتکاری به‌ویژه از خانواده هوش جمعی برای حل طیف وسیعی از مسائل بهینه‌سازی به‌کار گرفته شده‌اند. اگر چه این الگوریتم‌ها کارایی نسبتاً قابل قبولی در حل انواع مختلف مسائل بهینه‌سازی را نشان داده‌اند؛ اما میزان مقیاس‌پذیری اکثر آنها برای حل مسائل بهینه‌سازی با مقیاسِ بزرگ ناکافی است.

دانش‌آموخته دکتری رشته مهندسی کامپیوتر افزود: در مسائل بهینه‌سازی با مقیاسِ بزرگ، ابعاد فضای مسئله به‌صورت نمایی افزایش یافته که باعث افزایش پیچیدگی‌های محاسباتی و زمانی می‌شود. این الگوریتم‌ها در مواجهه با این‌گونه مسائل، نرخ تنوع آنها در یافتن راه‌حل‌های جدید کاهش می‌یابد و در نتیجه دچار همگرایی زودرس به نواحی غیر بهینه از فضای مسئله می‌شوند و با افزایش مقیاس، درجه سختی نیز افزایش می‌یابد و نتایج تحقیقات نشان داده که این الگوریتم‌ها نمی‌توانند تعادل لازم را بین استراتژی‌های جستجو برای عبور از کمینه‌های محلی ایجاد کنند.

زمانی ادامه داد: در این مطالعه(رساله دکتری) برای حل چالش‌های مربوط به مسائل بهینه‌سازی با مقیاس بزرگ، الگوریتم بهبودیافته به نام CCSA و دو الگوریتم فراابتکاری جدید به نام SMO و QANA با الهام از رفتار مسیریابی پرندگان در طبیعت ارائه و در این الگوریتم‌ها استراتژی‌های مختلفی برای تعیین توپولوژی ارتباطی، پرواز و ایجاد تنوع در جمعیت حل مسائل با مقیاسِ بزرگ پیشنهاد شده است. الگوریتم CCSA از توپولوژی ارتباطی آگاهانه برای تحلیل موقعیت منابع غذایی مجموعه کلاغ‌های همسایه و غیرهمسایه برای به سرقت بردن منابع غذایشان استفاده می‌کند.

وی توضیح داد: در این الگوریتم سه استراتژی NLS، NGS و WAS برای تقویت جستجوی محلی، سراسری و افزایش تنوع در جمعیت برای عبور از کمینه‌های محلی پیشنهاد شده و الگوریتم SMO از پدیده مورموریشن الهام گرفته که سار‌ها بر اساس توپولوژی دسته‌ای سازمان‌دهی می‌شوند و سپس بر اساس استراتژی‌های چرخش و غواصی شروع به انجام مورمویشن می‌کنند. سپس برای افزایش تنوع در جمعیت گروهی از سار‌ها از دسته‌های خود جدا و با استراتژی جداشدگی و عملگر کوانتومی نوسانگر هارمونیک آغاز به تغییر موقعیت خود می‌کنند.

دانش‌آموخته دکتری رشته مهندسی کامپیوتر عنوان کرد: الگوریتم QANA از رفتار مسیریابی پرندگان برای یافتن منابع غذایی الهام گرفته شده و این الگوریتم دارای دو گام ساخت توپولوژی دسته‌ای و پرواز است. ابتدا پرندگان به دسته‌های مختلفی تقسیم می‌شوند و سپس با استفاده از استراتژی پرواز و عملگر‌های تعریف‌شده در آن آغاز به کاوش در فضای مسئله می‌کنند. کارایی الگوریتم‌های پیشنهادی در آزمایش‌ها مختلف روی ابعاد ۳۰، ۵۰، ۱۰۰ و یک هزار مورد ارزیابی قرار گرفته و با الگوریتم‌های معروف نیز مقایسه شده است.

زمانی تبیین کرد: با استفاده از تست‌های آماری فریدمن، ویلکاکسون و میانگین خطای مطلق مورد آزمایش قرار گرفته و همه نتایج نشان می‌دهد که الگوریتم‌های پیشنهادی کارایی قابل توجهی در حل مسائل بهینه‌سازی با مقیاسِ بزرگ دارند.