การปรับปรุงขั้นตอนวิธีหิ่งห้อยเพื่อแก้ปัญหาค่าเหมาะที่สุดไม่เชิงเส้น กรณีประยุกต์ใช้บนไมโครซอฟท์เอ็กซ์เซล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบวิธีการหาค่าเหมาะที่สุดในฟังก์ชันไม่เชิงเส้นเปรียบเทียบสมรรถนะ 21 ฟังก์ชัน ด้วยขั้นตอนวิธีหิ่งห้อยที่มีจำนวนหิ่งห้อยแตกต่างกัน 3 ค่า การปรับปรุงขั้นตอนวิธีหิ่งห้อยที่มีจำนวนหิ่งห้อยแตกต่างกัน 3 ค่า และโซลเวอร์ของไมโครซอฟท์เอ็กซ์เซล 2 วิธีประกอบไปด้วย วิธีเกรเดียนต์ลดรูปแบบวางนัยทั่วไป (GRG) และวิธีเชิงวิวัฒน์ (EV) โดยได้ใช้เกณฑ์การตัดสินใจ 3 เกณฑ์ คือ 1) อัตราความสำเร็จในการค้นหาคำตอบ 2) คำตอบเหมาะที่สุดเฉลี่ย และ 3) เวลาค้นหาคำตอบเฉลี่ย เป็นตัวกำหนดวิธีการค้นหาคำตอบที่มีประสิทธิภาพมากที่สุด จำนวนสถานการณ์ที่ทดลองรวมทั้งหมด 168 สถานการณ์ ในแต่ละสถานการณ์มีจำนวนครั้งการทำซ้ำ 100 รอบ ผลการวิจัยพบว่า การปรับปรุงขั้นตอนวิธีหิ่งห้อย เมื่อกำหนดการลดน้ำหนักค่า แบบฟังก์ชันผกผันเส้นโค้ง S จำนวนหิ่งห้อย 80 ตัว และ พารามิเตอร์ และ ได้อัตราความสำเร็จในการค้นหาคำตอบมากที่สุดและคำตอบเหมาะที่สุดเฉลี่ยต่ำสุดจำนวนฟังก์ชันมากที่สุด ส่วนวิธี GRG เป็นวิธีการค้นหาคำตอบที่เร็วที่สุดในทุกฟังก์ชัน
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
X. S. Yang, Nature-Inspired Metaheuristic Algorithms, Luniver Press, 2008.
A. Khadwilard, S. Chansombat, T. Thepphakorn, P. Thapatsuwan, W. Chainate, and P. Pongcharoen, “Application of firefly algorithm and its parameter setting for job shop scheduling,” The Journal of Industrial Technology, vol. 8, no.1, pp. 49–58, 2012 (in Thai).
P. Musigawan, S. Chiewchanwattana, and K. Sunat, “Evolutionary extreme learning machine based on optimized step-size random search firefly algorithm,” in Proceedings the Eighth National Conference on Computing and Information Technology (NCCIT), 2012, pp. 202–209.
N. Chai-ead, “Simulated engineering system improvement via firefly, bees and hunting search algorithms,” M.S. thesis, Department of Industrial Engineering, Faculty of Engineering, Thammasat University, 2012 (in Thai).
D. T. Pham, A. Ghanbarzadeh, E. Koç, S. Otri, S. Rahim, and M. Zaidi, “Bee algorithm a novel approach to function optimisation,” Technical Note MEC 0501, Manufacturing Engineering Centre, Cardiff University, UK, 2005, pp. 1–40.
R. Oftadeh, M. J. Mahjoob, and M. Shariatpanahi, “A novel meta-heuristic optimization algorithm inspired by group hunting of animals: Hunting search,” Computers & Mathematics with Applications, vol. 60, no.7, pp. 2087–2098, 2010.
P. Minsan and W. Minsan, “Comparing methods of optimization in solver of Microsoft Excel 2007 and 2019,” UTK Research Journal, vol. 13 no. 2, pp. 144–161, 2019 (in Thai).
P. Minsan, “Comparing methods of optimization in solver of microsoft excel 2007 and 2019: A case study of some statistical models,” The Journal of KMUTNB, vol. 31 no. 3, pp. 113–128, 2021 (in Thai).
X. S. Yang, “Firefly algorithms for multimodal optimization,” Foundations and Applications, SAGA 2009, Lecture Notes in Computer Sciences, 5792, 2009, pp. 169–178.
P. Musigawan, “Improved firefly algorithm for extreme learning machine,” M.S. thesis, Computer Science, Graduate School, Khon Kaen University, 2012 (in Thai).
X. S. Yang, Nature-inspired Optimization Algorithms, Elsevier, 2014.
Global Optimization Benchmarks and AMPGO, N-D Test Functions A [Online]. Available: http://infinity77.net/global_optimization/test _functions_nd_A.html
Mazhar-ansari-ardeh, BenchmarkFcns Toolbox, Adjiman Function [Online]. Available: http:// benchmarkfcns.xyz/benchmarkfcns/adjimanfcn. html