การปรับปรุงวิธีการแก้ปัญหาโจทย์วิศวกรรมเคมีโดยการใช้อัลกอริธึมทางพันธุกรรม
Keywords:
Biogeography based optimization, meta-heuristic optimization, genetic algorithm, cross-over operator, migration and mutation algorithmAbstract
วิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์ (Biogeography-based optimization: BBO)เป็นหนึ่งในวิธีทางเมต้าฮิว- ริสติกที่ใช้สำหรับการเพิ่มประสิทธิภาพโดยอาศัยแนวคิดจากทฤษฎีเชิงชีวภูมิศาสตร์ โดยในขั้นเริ่มต้นจะเลือกค่าตัวแปรต้นจากการสุ่มก่อน จากนั้นจะนำค่าที่สุ่มได้มาเข้าในขั้นตอนต่อมาซึ่งก็คือขั้นตอนการเปลี่ยนค่าตัวแปรโดยการใช้เทคนิคการโยกย้ายถิ่นที่อยู่และการกลายพันธุ์ของสิ่งมีชีวิต โดยในสองเทคนิคนี้ยังมีความไม่สมบูรณ์แบบอยู่ เพื่อแก้ไขความไม่สมบูรณ์ที่เกิดขึ้นเราจึงเสนอเทคนิคใหม่เพื่อเพิ่มประสิทธิภาพให้กับวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์ โดยเทคนิคใหม่มีการเพิ่มวิธีทางพันธุกรรมที่ชื่อว่า cross-over operator เพื่อเป็นการเพิ่มประสิทธิภาพให้กับวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์ เนื่องจากจะสามารถนำข้อมูลที่ได้จากฟังก์ชั่น cross-over ไปเพิ่มให้กับแหล่งข้อมูลใหม่ โดยในงานวิจัยนี้จะนำวิธีการข้างต้นมาดำเนินการกับฟังก์ชันมาตรฐานสองฟังก์ชันและโจทย์ปัญหาในสาขาวิศวกรรมเคมีสี่ข้อ ซึ่งในแต่ละปัญหาจะมีเงื่อนไขที่แตกต่างกัน เพื่อที่แสดงถึงประสิทธิภาพของวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์ที่ได้รับการปรับปรุงแล้วเราจะนำผลลัพธ์ของวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์ที่ได้รับการปรับปรุงแล้วมาเปรียบเทียบกับผลลัพธ์ของวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์แบบดั้งเดิม สรุปได้ว่าวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์แบบปรับปรุงแล้วให้ความแม่นยำมากกว่าเนื่องจากค่าคำตอบที่ได้จากวิธีที่ได้รับการปรับปรุงมีค่าเปอร์เซ็นต์ความคลาดเคลื่อนจากค่าคำตอบที่แท้จริงน้อยกว่าวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์แบบดั้งเดิม แต่ในบางกรณีวิธีการหาค่าเหมาะสมที่สุดเชิงชีวภูมิศาสตร์แบบปรับปรุงแล้วจำเป็นต้องปรับค่าพารามิเตอร์บางค่าตัวแปรเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด
References
E. Lawler and D. E. Wood (1966). Modified Biogeography-Based Optimization with Local Search Mechanism. Operations Research, 14: 699–719.
C. H. Goulden. Methods of Statistical Analysis (pp.138-152). New York: John Wiley & Sons.
P. N. Suganthan and N. Hansen (2005). Problem definition and evaluation criteria for the CEC, special session on real parameter optimization. Technical Report, Nanyang Technological University, 152-198.
H. Ma, M. Fei and D. Simon (2015). Biogeography-Based Optimization in Noisy Environments. Transactions of the Institute of Measurement and Control, 37(2): 190-204.
A. Hastings and K. Higgins (1994). Persistence of transients in spatially structured ecological models. Science, 263(5150): 1133–1136.
Wenying Gong, Zhihua Cai, and Charles X. Ling (2010). A hybrid differential evolution with biogeography-based optimization for global numerical optimization. Soft Computing, 645-665.
Chien-Wen Chao and Cherng Fand (2015). A Tropical cyclone-based method for global optimization. Journal of Industrial and Management Optimization, 15: 138-150.
Mohamed B. Trabia and Xiao Bin Lu (2001). A Fuzzy Adaptive Simplex Search Optimization Algorithm. Journal of Mechanical Design, 1-10.
J. B. Lee and B. C. Lee (1996). A global optimization algorithm based on the new filled function method and the genetic algorithm for engineering optimization. Journal of Civil Engineering and Management, 1-20.
X.S. Yang (2008). Nature-Inspired Metaheuristic Algorithms (p.72). Bristol: Luniver Press.
