جستجوی هارمونی
در علم کامپیوتر و تحقیق در عملیات، جستجوی هارمونی یا HS یک الگوریتم الهام گرفته شده از پدیدههای طبیعی است (این دسته از الگوریتمها به الگوریتمهای متاهیورستیک، محاسبات نرم یا تکاملی نیز معروف هستند) که توسط زنگ ووگیم در سال ۲۰۰۱ و با الهام از فرایند بدیههسازی موسیقیدانان ارائه شده است. در الگوریتم HS، هر موسیقیدان (متغیر تصمیم) یک نوت (یک مقدار) را برای یافتن بهترین هارمونی (بهینه سراسری) مینوازد (تولید میکند).
در علم کامپیوتر و تحقیق در عملیات، جستجوی هارمونی یا HS یک الگوریتم الهام گرفته شده از پدیدههای طبیعی است (این دسته از الگوریتمها به الگوریتمهای متاهیورستیک، محاسبات نرم یا تکاملی نیز معروف هستند) که توسط زنگ ووگیم در سال ۲۰۰۱ و با الهام از فرایند بدیههسازی موسیقیدانان ارائه شده است. در الگوریتم HS، هر موسیقیدان (متغیر تصمیم) یک نوت (یک مقدار) را برای یافتن بهترین هارمونی (بهینه سراسری) مینوازد (تولید میکند).
محققان شایستگیهای زیر را برای این الگوریتم برشمردهاند:
- HS نیازمند گرادیان تفاضلی نیست و بنابراین میتواند توابع غیرپیوسته را نیز علاوه بر توابع پیوسته حل کند.
- HS میتواند علاوه بر متغیرهای پیوسته با متغیرهای گسسته نیز کار کند.
- HS نیازمند مقداردهی اولیه متغیرها نمیباشد.
- HS دچار واگرایی نمیشود.
- HS توانایی فرار از بهینههای محلی را دارد.
- HS میتواند بر ضعف تئوری بلوک سازنده در GA فائق آید که طبق آن GA تنها در شرایطی که رابطه بین متغیرها در یک کروموزوم به دقت در نظر گرفته شده باشد، خوب عمل میکند. اگر متغیرهای همسایه در یک کروموزم رابطه ضعیفتری با یکدیگر نسبت به متغیرهای دورتر داشته باشند، تئوری بلوک سازنده به دلیل عملیات تقاطع ممکن است عملکرد خوبی نداشته باشد. HS رابطه را صریحا در قالب مجموع تعریف میکند.
- HS یک روش تصادفی جدید را برای متغیرهای گسسته به کار میگیرد که از تجربه موسیقیدانان برای هدایت جهت جستجو استفاده میکند.
- بعضی از انواع HS از پارامترهای االگوریتم اصلی همچون HMCR و PAR استفاده نمیکنند. هرچند، کاربران تازهکار برای سادگی میتوانند از همان نوع اصلی به همراه پارامترهای آن استفاده کنند.
الگوریتمهای دیگر مرتبط با جستجوی هارمونی:
جستجوی هارمونی به ترتیب در دستههای زیر قرار میگیرد:
- محاسبات تکاملی
- متاهیورستیکها
- بهینهسازی تصادفی
- بهینهسازی
- بهینهسازی تصادفی
- متاهیورستیکها
متدهای محاسباتی تکاملی همچون:
- الگوریتمهای تکاملی، برای نمونه:
- الگوریتم ژنتیک
- برنامهریزی ژنتیک
- الگوریتمهای مبتنی بر دسته، برای نمونه:
- بهینهسازی کلونی مورچگان
- بهینهسازی دسته ذرات
- الگوریتم چکه آبهای هوشمند
متدهای متاهیورستیک همچون:
- انجماد تدریجی
- جستجوی ممنوعه
متدهای تصادفی همچون:
- متد آنتروپی متقابل
مراجع مطالعاتی و منابع آموزشی مهم
در این بخش، قصد داریم منابع آموزشی و مراجع مطالعاتی در زمینه جستجوی هارمونی را معرفی کنیم. اگر شما نیز قصد دارید که در یک کار پژوهشی، پروژه دانشگاهی یا صنعتی، و یا در مسیر علایق شخصی تان، جستجوی هارمونی را فرا بگیرید و در خصوص نحوه پیاده سازی و کاربردهای این ابزارهای مفید، اطلاعاتی را کسب نمایید، حتما پیشنهاد می کنیم که در ادامه با ما همراه باشید.
کتابهای خارجی
![]() |
عنوان: An Introduction to Harmony Search Optimization Method ترجمه عنوان: مقدمه ای بر روش بهینه سازی جستجوی هارمونی مولف: Xiaolei Wang سال چاپ: ۲۰۱۴ انتشارات: Springer لینک دسترسی: لینک |
![]() |
عنوان: Music-Inspired Harmony Search Algorithm ترجمه عنوان: الگوریتم جستجوی هارمونی با الهام از موسیقی مولف: Zong Woo Geem سال چاپ: ۲۰۰۹ انتشارات: Springer لینک دسترسی: لینک |
![]() |
عنوان: Harmony Search Algorithm ترجمه عنوان: الگوریتم جستجوی هارمونی مولف: Joong Hoon Kim سال چاپ: ۲۰۱۵ انتشارات: Springer لینک دسترسی: لینک |
منابع آموزشی آنلاین
![]() |
عنوان: آموزش جامع جستجوی هارمونی یا Harmony Search در متلب مدرس: دکتر سیدمصطفی کلامی هریس مدت زمان: ۱ ساعت و ۵۴ دقیقه نحوه استفاده: دریافت به صورت لینک دانلود و بر روی DVD زبان: فارسی نحوه آموزش: تئوری و عملی ارائه دهنده: سازمان علمی-آموزشی فرادرس لینک دسترسی: لینک |
مجموعه: بهینه سازی, جستجوی هارمونی, محاسبات تکاملی برچسب ها: آنتروپی متقابل, الگوریتمهای تکاملی, انجماد تدریجی, بهینهسازی, بهینهسازی تصادفی, بهینهسازی دسته ذرات, بهینهسازی کلونی مورچگان, جستجوی ممنوعه, جستجوی هارمونی, متاهیورستیک, محاسبات تکاملی





