الگوریتم های هم تکاملی صورت دیگری از الگوریتم های تکاملی است و به معنای اجرای الگوریتم های تکاملی همزمان بین دو یا چند گونه متفاوت و با توابع ارزیابی ترکیبی می باشد.الگوریتم های هم تکاملی در طیف وسیعی از مسائل، زمانی که روشهای تکاملی معمول در یافتن پاسخ مسأله موثر نیستند، به عنوان یک راه حل ابتکاری و جدید به کار گرفته می شوند.
این الگوریتم ها عموماً به دو صورت کلی هم تکاملی همکارانه و هم تکاملی رقابتی پیاده سازی شده اند و سودمندی آنها زمانی مشخص می شود که با مسائلی مواجه می شویم که فضای جستجوی آنها بسیار بزرگ و یا نامحدود است، یا مسائلی که یک معیار عینی برای محاسبه برازندگی ندارند یا بیان معیار عینی به صورت روابط ریاضی بسیار مشکل است و یا مسائلی که دارای ساختار خاصی هستند که در مسائل معمولی با آن مواجه نمی شویم. شباهت عملکرد الگوریتم های هم تکاملی و تئوری بازی ها، دلیل قابل قبولی برای استفاده از اصول روش تئوری بازی برای فرموله کردن الگوریتم های هم تکاملی است.
هم تکاملی، یک سیستم توزیع شده با دینامیک پیچیده است و مدیریت چنین سیستمی با اجرای دیدگاه عاملگرایانه، روشنتر و موفق تر می تواند انجام پذیرد. دیدگاه عاملگرایانه در طراحی accea ویژگیهای متمایز کننده ای برای آن به ارمغان می آورد که ساده تر شدن تخصیص منابع، تحمل خطا و مقاوم بودن و در نتیجه، افزایش قابلیت اطمینان سیستم از جمله مزایای آن می باشد. برای بررسی عملکرد accea، این الگوریتم در بهینه سازی پارامترهای یک شبکه anfis مورد استفاده قرار گرفته است. accea متشکل از تعدادی الگوریتم ژنتیک برای تنظیم و بهینه سازی همزمان کلیه پارامترهای توابع عضویت و پارامترهای توابع خروجی خواهد بود. با این ترکیب، یک سیستم فازی عصبی تطبیقی هم تکاملی (ceanfis) بدست می آید. در نهایت عملکرد ceanfis در پیش بینی سری زمانی مورد بررسی قرار گرفته است که نتایج بدست آمده تأییدی بر ویژگیهای مورد انتظار از الگوریتم accea از جمله بدست آمدن پاسخ بهینه سراسری، سرعت و دقت قابل توجه در رسیدن به جواب بهینه، مقاوم بودن و تطبیق پذیری الگوریتم است.
برای دریافت اطلاعات بیشتر فایل های زیر را دانلود و مشاهده فرمائید:
رمز فایل: behsanandish.com