వాడుకరి:Ramchanderchikkala/ప్రయోగశాల

`

Bees algorithm తో తికమక పడరాదు.

కంప్యూటర్ సైన్స్ మరియు ఆపరేషన్స్ రీసెర్చ్ లో, కృత్రిమ బీ కాలనీ అల్గోరిథం ( ABC ) అనేది తేనెటీగ సమూహాల యొక్క తెలివైన ప్రవర్తన ఆధారంగా ఒక ఆప్టిమైజేషన్ అల్గోరిథం, 2005 లో డెర్విక్ కరాబోనా ([[ఎర్సియస్ విశ్వవిద్యాలయం]) ప్రతిపాదించింది.

అల్గోరిథం

ABC నమూనాలో, కాలనీలో తేనెటీగల మూడు సమూహాలు ఉన్నాయి: ఉద్యోగం చేసిన తేనెటీగలు, చూపరులు మరియు స్కౌట్స్. ప్రతి ఆహార వనరులకు ఒక కృత్రిమ ఉపాధి తేనెటీగ మాత్రమే ఉందని భావించబడుతుంది. మరో మాటలో చెప్పాలంటే, కాలనీలో పనిచేసే తేనెటీగల సంఖ్య అందులో నివశించే తేనెటీగలు చుట్టూ ఉన్న ఆహార వనరుల సంఖ్యకు సమానం. ఉద్యోగం చేసిన తేనెటీగలు తమ ఆహార వనరులకు వెళ్లి తిరిగి అందులో నివశించే తేనెటీగలు మరియు నృత్యాలకు వస్తాయి. ఉద్యోగ మూలం వదిలివేయబడిన తేనెటీగ స్కౌట్ అవుతుంది మరియు కొత్త ఆహార వనరును కనుగొనడం కోసం శోధించడం ప్రారంభిస్తుంది. చూపించినవారు తేనెటీగల నృత్యాలను చూస్తారు మరియు నృత్యాలను బట్టి ఆహార వనరులను ఎన్నుకుంటారు. అల్గోరిథం యొక్క ప్రధాన దశలు క్రింద ఇవ్వబడ్డాయి .:

• ప్రారంభ తేనెటీగలు కోసం ప్రారంభ ఆహార వనరులు ఉత్పత్తి చేయబడతాయి
• పునరావృతం చేయండి
  • ఉద్యోగం చేస్తున్న ప్రతి తేనెటీగ ఆమె జ్ఞాపకార్థం ఒక ఆహార వనరు వద్దకు వెళ్లి, దగ్గరి మూలాన్ని నిర్ణయిస్తుంది, తరువాత దాని తేనె మొత్తాన్ని అంచనా వేస్తుంది మరియు అందులో నివశించే తేనెటీగలు
  • ప్రతి చూపరుడు ఉద్యోగం చేసిన తేనెటీగల నృత్యాలను చూస్తాడు మరియు నృత్యాలను బట్టి వాటి వనరులలో ఒకదాన్ని ఎంచుకుంటాడు, ఆపై ఆ మూలానికి వెళ్తాడు. దాని చుట్టూ ఒక పొరుగువారిని ఎంచుకున్న ** తరువాత, ఆమె దాని తేనె మొత్తాన్ని అంచనా వేస్తుంది.
  • విడిచిపెట్టిన ఆహార వనరులు నిర్ణయించబడతాయి మరియు స్కౌట్స్ కనుగొన్న కొత్త ఆహార వనరులతో భర్తీ చేయబడతాయి.
  • ఇప్పటివరకు కనుగొనబడిన ఉత్తమ ఆహార వనరు నమోదు చేయబడింది.
• UNTIL (అవసరాలు తీర్చబడ్డాయి)

జనాభా ఆధారిత అల్గోరిథం ABC లో, ఆహార మూలం యొక్క స్థానం ఆప్టిమైజేషన్ సమస్యకు సాధ్యమైన పరిష్కారాన్ని సూచిస్తుంది మరియు ఆహార మూలం యొక్క తేనె మొత్తం అనుబంధ పరిష్కారం యొక్క నాణ్యత (ఫిట్‌నెస్) కు అనుగుణంగా ఉంటుంది. ఉపాధి తేనెటీగల సంఖ్య జనాభాలో పరిష్కారాల సంఖ్యకు సమానం. మొదటి దశలో, యాదృచ్ఛికంగా పంపిణీ చేయబడిన ప్రారంభ జనాభా (ఆహార వనరు స్థానాలు) ఉత్పత్తి చేయబడతాయి. ప్రారంభించిన తరువాత, జనాభా వరుసగా ఉద్యోగం, చూపరుడు మరియు స్కౌట్ తేనెటీగల శోధన ప్రక్రియల చక్రాలను పునరావృతం చేస్తుంది. ఉద్యోగం చేసిన తేనెటీగ ఆమె జ్ఞాపకశక్తిలో మూలం స్థానం మీద మార్పును ఉత్పత్తి చేస్తుంది మరియు కొత్త ఆహార వనరు స్థానాన్ని కనుగొంటుంది. క్రొత్తది యొక్క తేనె మొత్తం మునుపటి మూలం కంటే ఎక్కువగా ఉందని, తేనెటీగ కొత్త మూల స్థానాన్ని గుర్తుంచుకుంటుంది మరియు పాతదాన్ని మరచిపోతుంది. లేకపోతే ఆమె తన జ్ఞాపకార్థం ఒకరి స్థానాన్ని ఉంచుతుంది. అన్ని ఉద్యోగం చేసిన తేనెటీగలు శోధన ప్రక్రియను పూర్తి చేసిన తరువాత, వారు డ్యాన్స్ ప్రాంతంలోని చూపరులతో మూలాల స్థాన సమాచారాన్ని పంచుకుంటారు. ప్రతి చూపరుడు అన్ని ఉద్యోగ తేనెటీగల నుండి తీసిన తేనె సమాచారాన్ని అంచనా వేస్తాడు మరియు తరువాత తేనె వనరులను బట్టి ఆహార వనరును ఎన్నుకుంటాడు. ఉద్యోగం చేసిన తేనెటీగ విషయంలో మాదిరిగా, ఆమె తన జ్ఞాపకశక్తిలోని మూల స్థానంపై మార్పును ఉత్పత్తి చేస్తుంది మరియు దాని తేనె మొత్తాన్ని తనిఖీ చేస్తుంది. దాని తేనె మునుపటి కన్నా ఎక్కువగా ఉందని, తేనెటీగ కొత్త స్థానాన్ని గుర్తుంచుకుంటుంది మరియు పాతదాన్ని మరచిపోతుంది. వదిలివేసిన మూలాలు నిర్ణయించబడతాయి మరియు కొత్త వనరులు యాదృచ్ఛికంగా కృత్రిమ స్కౌట్స్ చేత వదిలివేయబడిన వాటితో భర్తీ చేయబడతాయి.

కృత్రిమ బీ కాలనీ అల్గోరిథం

ఆర్టిఫిషియల్ బీ కాలనీ (ఎబిసి) అల్గోరిథం అనేది తేనెటీగల ప్రవర్తనను అనుకరించే ఆప్టిమైజేషన్ టెక్నిక్, మరియు వివిధ ఆచరణాత్మక సమస్యలకు విజయవంతంగా వర్తింపజేయబడింది. ABC సమూహ ఇంటెలిజెన్స్ అల్గోరిథంల సమూహానికి చెందినది మరియు దీనిని కరాబోగా 2005 లో ప్రతిపాదించారు.

సమూహ అని పిలువబడే తేనెటీగల సమితి సామాజిక సహకారం ద్వారా విజయవంతంగా పనులు చేయగలదు. ABC అల్గోరిథంలో, తేనెటీగలు మూడు రకాలు: ఉద్యోగం చేసిన తేనెటీగలు, చూపరు తేనెటీగలు మరియు స్కౌట్ తేనెటీగలు. ఉద్యోగం చేసిన తేనెటీగలు వారి జ్ఞాపకార్థం ఆహార మూలం చుట్టూ ఆహారాన్ని శోధిస్తాయి; ఇంతలో వారు ఈ ఆహార వనరుల సమాచారాన్ని చూపరుడు తేనెటీగలకు పంచుకుంటారు. చూపరు తేనెటీగలు ఉద్యోగం చేసిన తేనెటీగల నుండి మంచి ఆహార వనరులను ఎంచుకుంటాయి. అధిక నాణ్యత (ఫిట్‌నెస్) కలిగి ఉన్న ఆహార వనరు తక్కువ నాణ్యత కలిగిన వాటి కంటే చూపరు తేనెటీగలు ఎంచుకోవడానికి పెద్ద అవకాశం ఉంటుంది. స్కౌట్ తేనెటీగలు కొన్ని ఉద్యోగ తేనెటీగల నుండి అనువదించబడతాయి, ఇవి వాటి ఆహార వనరులను వదిలివేసి కొత్త వాటిని వెతుకుతాయి.

ABC అల్గోరిథంలో, సమూహం యొక్క మొదటి భాగంలో ఉద్యోగం చేసిన తేనెటీగలు ఉంటాయి మరియు రెండవ భాగంలో చూపరు తేనెటీగలు ఉంటాయి.

ఉద్యోగం చేసిన తేనెటీగల సంఖ్య లేదా చూపరు తేనెటీగలు సమూహంలోని పరిష్కారాల సంఖ్యకు సమానం. ABC యాదృచ్ఛికంగా పంపిణీ చేయబడిన SN పరిష్కారాల (ఆహార వనరులు) యొక్క ప్రారంభ జనాభాను ఉత్పత్తి చేస్తుంది, ఇక్కడ SN సమూహ పరిమాణాన్ని సూచిస్తుంది.

వీలు $X_{i}=\{x_{i,1},x_{i,2},\ldots ,x_{i,n}\}$ ప్రాతినిధ్యం $i^{th}$ సమూహంలో పరిష్కారం, ఎక్కడ $n$ పరిమాణం పరిమాణం.

ప్రతి ఉద్యోగం తేనెటీగ $X_{i}$ క్రొత్త అభ్యర్థి పరిష్కారాన్ని ఉత్పత్తి చేస్తుంది $V_{i}$ దిగువ సమీకరణంగా ప్రస్తుత స్థానం యొక్క పొరుగు ప్రాంతంలో:

$v_{i,k}=x_{i,k}+\Phi _{i,k}\times (x_{i,k}-x_{j,k})$

ఎక్కడ $X_{j}$ యాదృచ్ఛికంగా ఎంచుకున్న అభ్యర్థి పరిష్కారం ($i\neq j$), $k$ సెట్ నుండి ఎంచుకున్న యాదృచ్ఛిక పరిమాణం సూచిక $\{1,2,\ldots ,n\}$, and $\Phi _{i,k}$ లోపల యాదృచ్ఛిక సంఖ్య $[-1,1]$. ఒకసారి కొత్త అభ్యర్థి పరిష్కారం$V_{i}$ ఉత్పత్తి అవుతుంది, అత్యాశ ఎంపిక ఉపయోగించబడుతుంది. యొక్క ఫిట్నెస్ విలువ ఉంటే$V_{i}$ దాని తల్లిదండ్రుల కంటే మంచిది $X_{i}$, ఆపై నవీకరించండి $X_{i}$ తో $V_{i}$; లేకపోతే ఉంచండి$X_{i}$మారదు. అన్ని ఉద్యోగం చేసిన తేనెటీగలు శోధన ప్రక్రియను పూర్తి చేసిన తరువాత; వారు తమ ఆహార వనరుల సమాచారాన్ని చూపరుడు తేనెటీగలతో వాగ్లే నృత్యాల ద్వారా పంచుకుంటారు. చూపరు తేనెటీగ అన్ని ఉద్యోగ తేనెటీగల నుండి తీసిన తేనె సమాచారాన్ని అంచనా వేస్తుంది మరియు దాని తేనె మొత్తానికి సంబంధించిన సంభావ్యతతో ఆహార వనరును ఎంచుకుంటుంది. ఈ సంభావ్యత ఎంపిక నిజంగా రౌలెట్ వీల్ ఎంపిక విధానం, ఇది క్రింద సమీకరణంగా వర్ణించబడింది:

$P_{i}={\frac {\mathrm {fit} _{i}}{\sum _{j}{\mathrm {fit} _{j}}}}$

ఎక్కడ $\mathrm {fit} _{i}$ యొక్క ఫిట్నెస్ విలువ $i^{th}$ సమూహంలో పరిష్కారం. చూసినట్లుగా, మంచి పరిష్కారం $i$, అధిక సంభావ్యత $i^{th}$ ఆహార మూలం ఎంచుకోబడింది. చక్రాల యొక్క ముందే నిర్వచించిన సంఖ్య (పరిమితి అని పిలుస్తారు) కంటే స్థానం మెరుగుపరచబడకపోతే, అప్పుడు ఆహార మూలం వదిలివేయబడుతుంది. వదిలివేసిన మూలం అని అనుకోండి $X_{i}$, ఆపై స్కౌట్ తేనెటీగ కొత్త ఆహార వనరును భర్తీ చేయడాన్ని కనుగొంటుంది $i^{th}$ దిగువ సమీకరణంగా:

$x_{i,k}=lb_{k}+\Phi _{i,k}\times (ub_{k}-lb_{k})$

ఎక్కడ $\Phi _{i,k}=\mathrm {rand} (0,1)$ లోపల యాదృచ్ఛిక సంఖ్య $[0,1]$ $[0,1]$ సాధారణ పంపిణీ, మరియు $lb_{k},ub_{k}$, $lb_{k},ub_{k}$ యొక్క దిగువ మరియు ఎగువ సరిహద్దులు $k^{th}$ పరిమాణం, వరుసగా.

ఇది కూడ చూడు

• పరిణామాత్మక గణన
• పరిణామాత్మక బహుళ-మోడల్ ఆప్టిమైజేషన్
• కణ సమూహ ఆప్టిమైజేషన్
• సమూహ మేధస్సు
• బీస్ అల్గోరిథం
• ఫిష్ స్కూల్ సెర్చ్
• రూపకం-ఆధారిత మెటాహ్యూరిస్టిక్స్ జాబితా

బాహ్య లింకులు

• ఆర్టిఫిషియల్ బీ కాలనీ (ABC) అల్గోరిథం హోమ్‌పేజీ, టర్కీ: ఇంటెలిజెంట్ సిస్టమ్స్ రీసెర్చ్ గ్రూప్, కంప్యూటర్ ఇంజనీరింగ్ విభాగం, ఎర్సియస్ విశ్వవిద్యాలయం {{citation}}: External link in |publisher= (help)