نمایش مبدأ برای الگوریتم‌های فراابتکاری

'''الگوریتم‌های فوق ابتکاری''':

روش‌ها و [[الگوریتم‌های بهینه‌سازی]] به دو دسته [[الگوریتم]]‌های دقیق (exact) و [[الگوریتم‌های تقریبی]] (approximate algortithms) تقسیم‌بندی می‌شوند. الگوریتم‌های دقیق قادر به یافتن جواب بهینه به صورت دقیق هستند اما در مورد [[مسائل بهینه سازی]] سخت کارایی ندارند و زمان حل آنها در این مسائل به صورت نمایی افزایش می‌یابد. الگوریتم‌های تقریبی قادر به یافتن جواب‌های خوب (نزدیک به بهینه) در زمان حل کوتاه برای مسائل بهینه‌سازی سخت هستند. الگوریتم‌های تقریبی نیز به سه دسته الگوریتم‌های ابتکاری (heuristic) و فوق ابتکاری (meta-heuristic) و فرا ابتکاری (hyper heuristic) بخش بندی می شوند. دو مشکل اصلی الگوریتم‌های ابتکاری، قرار گرفتن آنها در بهینه‌های محلی، و ناتوانی آنها برای کاربرد در مسائل گوناگون است. الگوریتم‌های فوق ابتکاری برای حل این مشکلات الگوریتم‌های ابتکاری ارائه شده‌اند. در واقع الگوریتم‌های فوق ابتکاری، یکی از انواع الگوریتم‌های بهینه‌سازی تقریبی هستند که دارای راهکارهای برونرفت از بهینه محلی می‌باشند و قابل کاربرد در طیف گسترده ای از مسائل هستند. <ref name="[1]">الگوریتم‌های بهینه‌سازی فوق ابتکاری/تالیف مسعود یقینی، محمد رحیم اخوان کاظم ‌زاده. جهاد دانشگاهی واحد صنعتی امیر کبیر ‫ISBN ۹۷۸-۹۶۴-۲۱۰-۰۷۸-۱</ref> ا رده های گوناگونی از این نوع  الگوریتم‌های در ده های اخیر توسعه یافته است  <ref name="[9]"> بهینه‌سازی ترکیبی و الگوریتم های فرا ابتکاری /تالیف کورش عشقی ؛ مهدی کریمی نسب انتشارات آذرین مهر ؛1391  ‫ </ref> 

== دسته‌بندی الگوریتم‌های فوق ابتکاری  == 
معیارهای مختلفی می‌تواند برای طبقه‌بندی الگوریتم‌های فوق ابتکاری استفاده شود: <ref name="[2]">Talbi, El-Ghazali. Metaheuristics: From Design to Impelementation, John Wiley and sons 2009</ref>
* '''مبتنی بر یک جواب و مبتنی بر جمعیت''' : الگوریتم‌های مبتنی بر یک جواب در حین فرآیند جستجو یک جواب را تغییر می‌دهند، در حالی که در الگوریتم‌های مبتنی بر جمعیت در حین جستجو، یک جمعیت از جواب‌ها در نظر گرفته می‌شوند.
* '''الهام گرفته شده از طبیعت و بدون الهام از طبیعت''': بسیاری از الگوریتم‌های فوق ابتکاری از طبیعت الهام گرفته شده‌اند، در این میان برخی از الگوریتم‌های فوق ابتکاری نیز از طبیعت الهام گرفته نشده اند. 
* '''با حافظه و بدون حافظه''': برخی از الگوریتم‌های فوق ابتکاری فاقد حافظه می‌باشند، به این معنا که، این نوع الگوریتم‌ها از اطلاعات بدست آمده در حین جستجو استفاده نمی کنند (به طور مثال تبرید شبیه‌سازی شده). این در حالی است که در برخی از الگوریتم‌های فوق ابتکاری نظیر جستجوی ممنوعه از حافظه استفاده می‌کنند. این حافظه اطلاعات بدست آمده در حین جستجو را در خود ذخیره می‌کند. 
* '''قطعی و احتمالی''': یک الگوریتم فوق ابتکاری قطعی نظیر جستجوی ممنوعه، مسئله را با استفاده از تصمیمات قطعی حل می‌کند. اما در الگوریتم‌های فوق ابتکاری احتمالی نظیر تبرید شبیه سازی شده، یک سری قوانین احتمالی در حین جستجو مورد استفاده قرار می‌گیرد.

 
== الگوریتم‌های شناخته شده فوق ابتکاری بر پایه جمعیت ==
از الگوریتم‌های شناخته شده فوق ابتکاری بر پایه جمعیت می‌توان الگوریتم‌های تکاملی <ref name="[3]">Eiben, A.E., Smith, J.E., Introduction to Evolutionary Computiong, Springer 2003</ref> ([[الگوریتم ژنتیک]]، برنامه‌ریزی ژنتیک، ...)، [[روش بهینه‌سازی گروه مورچه‌ها|بهینه‌سازی کلونی مورچگان]] <ref name="[4]">Dorigo, M., and Stützle, T., Ant Colony Optimization, MIT Press, Cambridge, MA, 2004</ref>، کلونی زنبورها <ref name="[5]">Yonezawa, Y., and Kikuchi, T., Ecological algorithm for optimal ordering used by collective honey bee behavior, In 7th International Symposium on Micro Machine and Human Science, pp. 249–256 1996</ref>، [[روش بهینه‌سازی ازدحام ذرات]]، [[الگوریتم رقابت استعماری]] ، و [[الگوریتم چکه آبهای هوشمند]] را نام برد.

== الگوریتم‌های متداول فوق ابتکاری مبتنی بر یک جواب == 
از الگوریتم‌های متداول فراابتکاری مبتنی بر یک جواب می‌توان [[الگوریتم جستجوی ممنوعه]] <ref name="[6]">Glover F. and Laguna, M., Tabu Search, Kluwer Academic Publishers, 1997simulated annealing, Science, Vol. 220, No. 4598, pp. 671–680, 1983</ref> و [[الگوریتم تبرید شبیه‌سازی شده]] <ref name="[7]">Kirkpatrick, S., Gelatt, C. D. , and Vecchi, M. P., Optimization by simulated annealing, Science, Vol. 220, No. 4598, pp. 671–680, 1983</ref> را نام برد.

== پیاده‌سازی الگوریتم‌های فوق ابتکاری ==
فرایند طراحی و پیاده‌سازی الگوریتم‌های فوق ابتکاری دارای سه مرحله‌ی متوالی است که هر کدام از آن‌ها دارای گام‌های مختلفی هستند. در هر گام فعالیت‌هایی باید انجام شود تا آن گام کامل شود. مرحله‌ی ۱ آماده‌سازی است که در آن باید شناخت دقیقی از مسئله‌ای که می‌خواهیم حل کنیم بدست آوریم، و اهداف طراحی الگوریتم فوق ابتکاری برای آن باید با توجه به روش‌های حل موجود برای این مسئله به طور واضح و شفاف مشخص شود. مرحله‌ی بعدی، ساخت نام دارد. مهمترین اهداف این مرحله انتخاب استراتژی حل، تعریف معیارهای اندازه گیری عملکرد، و طراحی الگوریتم برای استراتژی حل انتخابی می‌باشد. آخرین مرحله پیاده‌سازی است که در آن پیاده‌سازی الگوریتم طراحی شده در مرحله‌ی قبل، شامل تنظیم پارامترها، تحلیل عملکرد، و در نهایت تدون و تهیه گزارش نتایج باید انجام شود. <ref name="[8]">Yaghini, Masoud; Akhavan, Rahim, DIMMA: A Design and Implementation Methodology for Metaheuristic Algorithms - A Perspective from Software Development, International Journal of Applied Metaheuristic Computing, Vol.1, No.4, pp. 57-74, 2010. </ref>

==جستارهای وابسته==
*[[هوش گروهی]]
*[[الگوریتم چکه آب‌های هوشمند]]

== منابع ==
<!--- [[ویکی‌پدیا:پانویس‌ها]] را بخوانید. در وسط مقاله از <ref>منبع</ref> به عنوان منبع استفاده کنید -->
{{پانویس}}

<!--- رده‌بندی --->

[[رده:الگوریتم‌های بهینه‌سازی]]
[[رده:الگوریتم‌های تقریبی]]
[[رده:بهینه‌سازی ریاضی]]
[[رده:تحقیق در عملیات]]
[[رده:ریاضیات کاربردی]]