توصيفگر ها :
الگوريتم هاي هوش جمعي , بهينه سازي , BRADO , جانمايي پهپاد
چكيده فارسي :
با پيشرفت تكنولوژي، تمايل به استفاده بيشتر از ربات¬ها و رايانه¬ها به جاي انسان نيز افزايش يافته است. يكي از ربات‌هايي كه مي‌توان در بسياري از موقعيت‌ها از آن استفاده كرد، پهپاد است. از پهپادها مي¬توان براي كنترل يا نظارت بر انواع اهداف استفاده كرد اما يافتن موقعيت بهينه براي پرواز آنها مشكل بزرگي است كه در گروه مسائل NP-hard قرار مي¬گيرد. به واسطه پيچيدگي مساله نياز به استفاده از روشهاي غيردقيق مي¬باشد. در پژوهش¬هاي قبلي برخي از الگوريتم¬هاي فرامكاشفه¬اي براي حل اين مساله بكار گرفته شده است، ولي كيفيت راه حل¬ها، نياز به بهبود دارد. در اين پژوهش سعي كرديم الگوريتم¬هاي مختلف فرامكاشفه¬اي از جمله روش¬هاي از نوع هوش جمعي را روي اين مساله بكار بگيريم و نتايج اين حوزه را بهبود بخشيم. هدف اين پژوهش حل دو نوع مساله ايستا و پوياي جانمايي پهپاد بوده است. ما در آزمايش‌هاي خود ابتدا از پهپادهاي ثابت و اهداف مستقر در فضاي جستجوي مربعي استفاده كرديم. در مرحله دوم فضاي مسئله را به صورت پويا مورد بررسي قرار داديم. به اين صورت كه اهداف در فضاي مسئله در حال حركت هستند. هدف ما يافتن موقعيت بهينه براي پهپادها به گونه‌اي است كه بيشترين تعداد اهداف پوشش داده شوند. يكي از الگوريتم¬هايي كه تا كنون روي اين مساله بكار گرفته نشده بود، الگوريتم هوش جمعي BRADO بود. اين الگوريتم كه از مهاجرت انسان¬ها بين كشورها الهام گرفته شده است، در مسائلي كه در گذشته استفاده شده توانسته نتايج خوبي را رقم بزند. در كنار ساير الگوريتم¬هاي فرامكاشفه¬اي براي اولين بار اين الگوريتم را روي مساله ثابت جانمايي پهپادها بكار گرفتيم. همچنين براي اولين بار نسخه پوياي اين الگوريتم و دو الگوريتم ديگر WOA و MPA كه آنها نيز از الگوريتم¬هاي هوش جمعي تازه معرفي شده هستند را براي حل مساله پوياي جانمايي پهپاد ارائه كرديم. ما نتايج كار خود را الگوريتم¬هاي PSO، GA، EHO و MS نيز مقايسه كرديم. نتايج آزمايش‌هاي ما نشان مي‌دهد كه BRADO به خوبي در حل اين مشكل بهينه¬سازي عمل كرده است. ما در اين پژوهش مسئله را در دو بخش اصلي ايستا و پويا و در هر بخش در 4 فضاي جستجوي مختلف با پيچيدگي¬هاي متفاوت مورد بررسي قرار داديم. علاوه بر آن، در بخش ايستا، مسئله را در حالتي كه اهداف خوشه¬بندي شده¬اند نيز حل كرديم. نتايج بدست آمده روي حالت¬هاي مختلف مساله و با سناريوهاي مختلف، حاكي از آن است كه الگوريتم BRADO نتايج بهتري را در مقايسه با ساير الگوريتم¬هاي فرامكاشفه¬اي ديگر بدست آورده است.
چكيده انگليسي :
With the advancement of technology, the desire to use robots and computers instead of humans has also increased. One of the robots that can be used in many situations is drone. drones can be used to control or monitor targets, but finding the optimal position for them to fly is an NP-hard problem. Due to the complexity of the problem we need to use heuristic methods for solving them. In previous researches, some meta-heuristic algorithms have been used to solve this problem, but the quality of the solutions needs to be improved. In this research, we tried to apply various meta-heuristic algorithms, including collective intelligence methods, to this problem and improve the results of this field. The aim of this research is to solve two types of static and dynamic drone placemnt problems. In our experiments, we firstly used static drones and targets located in a squared search space. In the second part, we examined the problem space dynamically. This time the targets are moving in the problem space. Our goal is to find the optimal position for the drones in such a way that the maximum number of targets are covered. One of the algorithms that have not been used on this problem so far is the Brain Drain Optimization Algorithm (BRADO) which is a swarm intelligence algorithm. This algorithm, which is inspired by human migration between countries, proved to be able to achieve good results in complex problems. Along other meta-heuristic algorithms, we used BRADO for the first time on the static drone placement problem. Also, for the first time, we presented the dynamic version of BRADO and two other algorithms, WOA and MPA, which are also newly introduced swarm intelligence algorithms, to solve the dynamic drone placement problem. The results of our experiments show that BRADO has performed well in solving this optimization problem. In this research, we solved the problem in two main parts, static and dynamic, and each part in four different search spaces with different complexities. In addition, in the static part, we also solved the problem in the case where the targets are clustered. The results obtained on different states of the problem and with different scenarios indicate that the BRADO algorithm has obtained better results compared to other meta-heuristic algorithms.
