این پاورپوینت در مورد روش بهینه سازی با الگوریتم فاخته و کاربردهای آن در 60 اسلاید زیبا شامل روش بهینه سازی با الگوریتم فاخته و کاربردهای آن،الگوریتم بهینه سازی فاخته،الگوریتم فاخته،فاخته،Cuckoo optimization algorithm،COA،كاربردهاي COA و... می باشد.

قسمتی از متن،

* الگوریتم بهینه‌سازی است که زین–شی یانگ و سوآش دب در سال ۲۰۰۹ طراحی کردند. این الگوریتم برگرفته از ملزوم کردن تخم انگلی بعضی گونه‌های بلبل به قرار دادن تخم‌هایش در آشیانه پرندگان میزبان دیگر (از گونه‌های دیگر) است. بعضی پرندگان میزبان می‌توانند با فاخته‌های سربار و مزاحم جنگ و دعوا کنند. برای مثال اگر پرنده میزبان تخم‌هایی را پیدا کند که متعلق به آن‌ها نیست، او این تخم‌های بیگانه را دور می‌اندازد یا آشیانه اش را به راحتی ترک می‌کند و جای دیگر آشیانه جدیدی می‌سازد. بعضی گونه‌های فاخته همچون تخم- انگلی دنیای جدید- تاپیرا(tapera) به همان شیوه‌ای شکل می‌گیرد که فاخته‌های مؤنث انگلی اغلب خیلی در تقلید در رنگ‌ها و الگوی تخم‌های تعدادی از گونه‌های انتخابی میزبان متخصص می‌شوند. جستجوی فاخته بر اساس چنین شیوه پرورشی شکل می‌گیرد و بنابراین می‌تواند برای انواع مسایل بهینه‌سازی اجرا شود. به نظر می‌رسد این شیوه می‌توان برای الگوریتم‌های دیگر متاهو-یستیک به‌طور عملی انجام شود. از قرار معلوم الگوریتم مربوطه دیگر از هر نظر برای حوزه‌های مختلف اجرایی بازیافت فاخته (cuckoo hashing) نامیده می‌شود که راس موس پاگ و فلمینگ فریچ رودلدر در سال ۲۰۰۱ طراحی کرد.*
فاخته ها براي بيشينه كردن نجات تخم هاي خود به دنبال بهترين منطقه مي گردند. پس از آنكه جوجه ها از تخم درآمدند و به فاخته بالغ تبديل شدند، جوامع و گروه هايي تشكيل مي دهند. هر گروه منطقه سكونت خود را براي زيست دارد. بهترين منطقه سكونت تمام گروه ها مقصد بعدي فاخته ها در ساير گروه ها خواهد بود. تمام گروه ها به سمت بهترين منطقه موجود فعلي مهاجرت مي كنند. هر گروه در منطقه­اي نزديك بهترين موقعيت فعلي ساكن مي شود. با در نظر گرفتن تعداد تخمي كه هر فاخته خواهد گذاشت و همچنين فاصله فاخته ها از منطقه بهينه فعلي براي سكونت تعدادي شعاع تخم گذاري محاسبه شده و شكل ميگيرد . سپس فاخته ها شروع به تخم گذاري تصادفي در لانه هايي داخل شعاع تخم گذاري خود مي كنند. اين فرآیند تا رسيدن به بهترين محل براي تخم گذاري (منطقه با بيشترين سود) ادامه مي يابد. اين محل بهينه جايي است كه بيشترين تعداد فاخته ها در آن گرد مي آيند .

*

*براي حل يك مساله بهينه سازي لازم است تا مقادير متغيرهاي مساله به فرم يك آرايه شكل گيرند. در GA و PSO اين آرايه ها با نام هاي "كروموزوم" و "موقعيت ذرات" مشخص مي شوند. ولي در الگوريتم بهينه سازي فاخته اين آرايه habitat يا "محل سكونت" نام دارند . در يك مساله بهينه سازي N بعدي يك habitat يك آرايه 1*Nخواهد بود كه موقعيت فعلي زندگي فاخته ها را نشان مي دهد. اين آرايه به شكل زير تعريف مي :شود :

*Habitat = [x1,x2,…,xN]

*ميزان مناسب بودن (يا مقدار سود) در habitat فعلي با ارزيابي تابع سود (fp) در habitat به دست مي آيد. بنابراين

*Profit = fp(habitat) = fp(x1,x2,…,xN)

*همانطور كه ديده مي شود الگوریتم تکاملی فاخته الگوريتمي است كه تابع سود را ماكزيمم ميكند. براي استفاده از الگوریتم فاخته براي حل مسايل كمينه سازي كافي است يك علامت منفي در تابع هزينه ضرب كنيم . براي شروع الگوريتم بهينه سازي يك ماتريس habitat به اندازه Npop*N توليد ميشود. سپس براي هر كدام از اين habitatها تعدادي تصادفي تخم تخصيص مي يابد. در طبيعت هر فاخته بين5 تا 20 تخم مي گذارد. اين اعداد به عنوان حد بالا و پايين تخصيص تخم به هر فاخته در تكرارهاي مختلف استفاده مي شود. ديگر عادت هر فاخته حقيقي اين است كه آنها در يك دامنه مشخص تخم هاي خود را مي گذارند كه با آن حداكثر دامنه تخمگذاري (ELR) گفته مي .شود در يك مساله بهينه سازي هر متغير داراي حد بالا varhi و حد پايين varlow است که هر ELR با استفاده از اين حدود قابل تعريف خواهد بود. ELR متناسب است با تعداد كل تخم ها، تعداد تخم هاي فعلي فاخته و همچنين حد بالا و پايين متغيرهاي مساله .

*بنابراين ELR به صورت رابطه (1) محاسبه می گردد .

*

*

**وقتي جوجه فاخته ها رشد كردند و بالغ شدند مدتي در محيط ها و گروه هاي خودشان زندگي مي كنند ولي وقتي زمان تخم گذاري نزديك مي شود به habitatهاي بهتر كه در آنجا شانس زنده ماندن تخم ها بيشتر است مهاجرت مي كنند. پس از تشكيل گروه هاي فاخته در مناطق مختلف زيست (فضاي جستجوي مساله) گروه داراي بهترين موقعيت به عنوان نقطه هدف براي ساير فاخته ها جهت مهاجرت انتخاب مي شود. هنگامي كه فاخته هاي بالغ در نقاط محيط زيست زندگي ميكنند تشخيص اينكه هر فاخته به كدام گروه تعلق دارد كار سختي است. براي حل اين مشكل، گروه بندي فاخته ها توسط روش كلاسبندي K-means انجام مي شود ( k بين1 تا 3 5 معمولا كفايت ميكند ). حال كه گروه هاي فاخته تشكيل شدند سود ميانگين گروه محاسبه مي شود تا بهينگي نسبي محل زيست آن گروه به دست آيد. سپس گروهي كه داراي بيشترين مقدار متوسط سود (بهينگي) باشد، به عنوان گروه هدف انتخاب شده و گروه هاي ديگر به سمت آن مهاجرت مي كنند .*هنگام مهاجرت به سمت نقطه هدف فاخته ها تمام مسير را به سمت محل هدف طي نمي كنند. آنها فقط قسمتي از مسير را طي كرده و در آن مسير هم انحرافي دارند. اين نحوه حركت را در شكل 3 به وضوح مشاهده مي شود. همانطور كه از شكل معلوم است هر فاخته فقط λ% از كل مسير را به سمت هدف ايده آل فعلي طي ميكند و يك انحراف φ راديان نيز دارد. اين دو پارامتر به فاخته ها كمك مي كند تا محيط بيشتري را جستجو كنند. λ عددي تصادفي بين 1و 0 است و φ عددي بين π/6 و π/6 - مي باشد. وقتي تمام فاخته ها به سمت نقطه هدف مهاجرت كردند و نقاط سكونت جديد هركدام مشخص شد، هر فاخته صاحب تعدادي تخم مي شود. با توجه به تعداد تخم هر فاخته يك ELR براي آن مشخص مي شود و سپس تخم گذاري شروع مي گردد . فرمول عملگر مهاجرت در الگوريتم بهينه سازي فاخته به صورت رابطه (2) است:

*الگوريتم بهينه سازي فاخته يا Cuckoo Optimization Algorithm چيست؟الگوريتم بهينه سازي فاخته يا Cuckoo Optimization Algorithm يكي از جديد ترين و قويترين روشهاي بهينه سازي تكاملي مي باشد كه تا كنون معرفي شده اند. بعد از معرفي شدن روش هاي بهينه سازي تكاملي اوليه مثل الگوريتم ژنتيك (GA) ، الگوريتم تبريد تدريجي (Simulated Annealing)، تحقيقات زيادي روي روشهاي تكاملي بهينه سازي كه از الهام از طبيعت گرفته شده بودند انجام گرفت. از ديگر الگوريتمهاي معرفي شده مي توان به الگوريتم ازدحام ذرات (PSO)، كلوني مورچگان (ACO)، الگوريتم زنبور عسل (ABC) و الگوريتم ماهي هاي مصنوعي (Artificial Fish Swarm) اشاره كرد. كاربردهاي بيشماري از اين روشها را براي حل مسايل مختلف بهينه سازي پيچيده در مقالات مي توان پيدا كرد.

*يكي ديگر از الگوريتم هاي بهينه سازي تكاملي كه در ايران شكل گرفته و بسيار كاربرد يافته الگوريتم رقابت استعماري است كه بر پايه الهام از يك سيستم رقابتي بين امپراتوريهاي جهان جهت تصاحب مستعمره شكل گرفته است. اين روش بهينه سازي با تغييري كه در الگوريتم آن براي حركت مستعمره ها به سمت امپراتوري در نظر گرفته شده است توانايي خوبي براي يافتن نقاط بهينه كلي (global optima)از خود نشان داده است.