۱۰
۱
۲
۲۰
۴۸۴۰
همان طور که از مقدار دهی پارامتر ها مشخص است برای حل هر سه تابع الگوریتم در هر تکرار ۱ ناحیه برگزیده را انتخاب و به ۲ قسمت کوچکتر تقسیم می کند. مقدار نشان دهنده این است که که الگوریتم برای این سه تابع دارای شرایط شروع مجدد نیست و این عمل انجام نمی شود.
شکل ۴-۲۸ عملکرد الگوریتم جستجوگر تکاملی برای تابع Six-hump camel back
شکل ۴-۲۹ عملکرد الگوریتم جستجوگر تکاملی برای تابع Branins
شکل ۴-۳۰ عملکرد الگوریتم جستجوگر تکاملی برای تابع Goldstein-Price
جدول ۴-۲ مقدار شاخص های ارزیابی عملکرد الگوریتم برای حل f Gol و f Six و f Bra
تابع
بهترین
میانگین
بدترین
انحراف معیار
Goldstein-Price
۰٫۳۹۸۷
۰٫۳۹۷۸
۰٫۳۹۷۹
۳٫۸ E-06
Six-hump camel back
-۱٫۰۳۱۶
-۱٫۰۳۱۶
-۱٫۰۳۱۶
۵٫۲ E-06
Branins
۳
۳
۳
۰
الگوریتم توانسته برای هر سه تابع مد نظر در تکرار کمتر از ۱۲ به جواب بهینه دست پیدا کند حتی الگوریتم برای تابع Branins در تمام اجرا ها توانسته در تکرار کمتر از ۵ به جواب بهینه دست پیدا کند که این نشان دهنده عملکرد مطلوب الگوریتم است.
۴-۳-۳- مقایسه عملکرد الگوریتم جستجوگر تکاملی با ICA, OICA , CICA3
طلا طهاری و همکاران برای معرفی و ارزیابی عملکرد الگوریتم پیشنهادی خود در بخش مثال های عددی تحقیقشان از مسائل موجود در جدول ۴-۱ استفاده کردند ]۲۰[.
آن ها ابعاد مسائل را برابر ۱۰ در نظر گرفتند. هم چنین تعداد جمعیت را برابر ۳۰ و حدکثر تعداد تکرار را برابر ۲۰۰۰ در نظر گرفتند. تعداد اجراها را نیز برای ارزیابی و مقایسه عملکرد الگوریتم های مدنظر خود ۱۰۰ در نظر گرفتند. اطلاعات موجود در جدول ۴-۳ برای الگوریتم های ICAوOICAوCICA3 از همان تحقیق استخراج شده است.
در این پایان نامه برای مقایسه عملکرد الگوریتم پیشنهادی از همان ۴ مساله با بعد ۱۰ استفاده شده است. برای الگوریتم جستجوگر تکاملی تعداد جمعیت ۳۰، حداکثر تعداد تکرار ۲۰۰۰، در نظر گرفته شده است. نتایج حاصل از میانگین ۱۰۰ بار اجرا الگوریتم و مقادیر پارامتر های الگوریتم جستجوگر تکاملی در جدول ۴-۳ آورده شده است.
نتایج نشان می دهد که الگوریتم جستجوگر تکاملی در شرایط برابر نسبت به ۳ الگوریتم دیگر عملکرد بهتری دارد.
