همانند سایر الگوریتم‌های تکاملی COA هم با یک جمعیت اولیه متشکل از فاخته‌ها کار خود را شروع می کند. این جمعیت از فاخته‌ها تعدادی تخم دارند که آن‌ها را در لانه تعدادی پرنده‌ی میزبان خواهند گذاشت. تعدادی از این تخم‌ها که شباهت بیشتری به تخم‌های پرنده میزبان دارند شانس بیشتری برای رشد و تبدیل شدن به فاخته بالغ خواهند داشت. سایر تخم‌ها توسط پرنده میزبان شناسایی ‌شده و از بین می­طریقه. اندازه تخم‌های رشد یافته، مناسب بودن لانه‌های آن منطقه را نشان می‌دهند. هرچه تخم‌های بیشتری در یک ناحیه قادر به زیستن باشند؛ به همان اندازه سود (تمایل) بیشتری به آن منطقه اختصاص می‌یابد. پس موقعیتی که در آن بیش‌ترین تعداد تخم‌ها نجات یابند پارامتری خواهد بود که COA قصد بهینه سازی آن را دارد. پس از آنکه جوجه‌ها از تخم درآمدند و به فاخته بالغ تبدیل شدند؛ جوامع و گروه‌هایی تشکیل می‌دهند. هر گروه منطقه سکونت خود را برای زیست دارد. بهترین منطقه سکونت تمام گروه‌ها مقصد بعدی فاخته‌ها در سایر گروه‌ها خواهد بود. تمام گروه‌ها به سمت بهترین منطقه موجود فعلی مهاجرت می‌کنند. هر گروه در منطقه‌ای نزدیک بهترین موقعیت فعلی ساکن می گردد. با در نظر گرفتن تعداد تخمی که هر فاخته خواهد گذاشت و هم­چنین فاصله فاخته‌ها از منطقه بهینه فعلی برای سکونت تعدادی شعاع تخم‌گذاری محاسبه ‌شده و شکل می‌گیرد. سپس فاخته‌ها شروع به تخم‌گذاری تصادفی در لانه‌هایی داخل شعاع تخم‌گذاری خود می‌کنند. این فرآیند تا رسیدن به بهترین محل برای تخم‌گذاری (منطقه با بیش‌ترین سود) ادامه می‌یابد. این محل بهینه، جایی می باشد که بیش‌ترین تعداد فاخته‌ها در آن گرد می‌آیند. برای حل یک مساله بهینه سازی لازم می باشد تا مقادیر متغیرهای مساله به فرم یک آرایه شکل گیرند. در GA  و PSO این آرایه ها با نام های “کروموزوم” و “موقعیت ذرات” مشخص می شوند؛ اما در COA این آرایه، habitat یا “محل سکونت” نامیده می­شوند.

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه برق با موضوع ساخت آنتن میکرواستریپ بهینه شده با رولایه متامتریال

 متن فوق بخش هایی از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد

می توانید به لینک زیر مراجعه نمایید:

دسته‌ها: دسته‌بندی نشده