تنظیم پارامترهای الگوریتم‌

هر الگوریتم فراابتکاری دارای پارامترهایی است که باید مقدار آن‌ها تعیین شود، به این کار تنظیم پارامترها یا تیون کردن الگوریتم (Algorithm Tuning) می‌گویند.

با تنظیم مناسب پارمترهای الگوریتم، می‌توان انتظار داشت که الگوریتم ارائه شده در کمترین زمان ممکن، بهترین جواب(ها)ی ممکن را ارائه می‌دهد. در صورتی که پارامترهای الگوریتم تنظیماتی بیشتر از مقادیر بهینه داشته باشند، مدت زمان حل بسیار زیاد می‌شود  و اگر این تنظیمات کمتر از مقادیر بهینه داشته باشند، هیچوقت جواب‌های با کیفیت را پیدا نمی‌کند یا بدتر در جواب‌های بهینه محلی به دام می‌افتد و هیچوقت به جواب‌های بهتری دست پیدا نمی‌کند؛ درنتیجه الگوریتمی که بر روی آن کار کرده‌اید به حداکثر پتانسیل خود نمی‌رسد و توسط روش‌های حل قدیمی‌تر مغلوب می‌شود تا به‌راحتی توسط داوران پایان‌نامه و مقالات علمی رد شود.

به‌طور کلی 3 روش برتر برای تنظیم پارمترهای الگوریتم وجود دارد.

1. ساده‌ترین روش استفاده از تنظیمات پیشنهادی مقالات قبلی (ترجیحاً مقاله پایه) می‌باشد.
   نقطه ضعف این روش، عدم اطمنیان از تنظیمات الگوریتم برای مسئله شما است؛ چرا که تنظیمات مقالات قبلی، در صورتی که آن‌ها پارمترهای الگوریتم خود را با روش درستی تنظیم کرده باشند،  فقط و فقط برای مسائلی با اندازه‌ و الگورتیم فراابتکاری یکسانی با مسائل و الگوریتم فراابتکاری شما قابل استفاده است.

2.  روش بهتر برای مسائل تک‌هدفه و چند‌هدفه با استفاده از طرحی آزمایش‌ها (DOE) است. در این روش باید با توجه به مسئله و الگوریتم، 2 یا 3 سطح از مقادیری برای پارامترها تعین شود و سپس توسط روش تاگوچی (نرم‌افزار Minitab) و روش سطح پاسخگویی (نرم‌افزار Expert Choice) به مقادیر بهینه‌ی پارمترهای الگوریتم فراابتکاری دست یافت.
   نقطه ضعف این روش، مدت زمان بالای آن است؛ چرا که نه‌تنها باید مسئله را در اندازه‌های کوچک، متوسط و بزرگ، جواب‌های مخصوص به خود را یافت، بلکه در صورت اشتباه حدس زدن مقادیر اولیه‌ی سطوح پارمترها، باید کل آزمایش را از ابتدا با سطوح متفاوت تکرار کرد. این نکته زمانی مشکل‌ساز می‌شود که در هر آزمایش حداقل 8 بار الگورتیم فراابتکاری با تنظیمات متفاوت حل شود و تا پایان آزمایش و تحلیل آن نمی‌توان گفت که آیا تنظیمات به‌دست آمده بهینه هستند یا خیر.
   همچنین این روش برای تنظیم پارامترهای الگوریتم‌های فراابتکاری هوشمند (هوشمندسازی الگوریتم در مراحل ساخت جواب همسایگی) قابل استفاده نیست.

3. بهترین روش برای مسائل چند‌هدفه، استفاده از الگوریتم MOCRS است.
   الگوریتم MORCS خاصیت خودسازگاری دارد که باعث می‌شود در صورت اشتباه حدس زدن حدود بالا و پایین پارامترهای الگوریتم فراابتکاری، به‌طور خودکار به مقادیر بهینه پارامترها دست پیدا می‌کند.
   الگوریتم MOCRS با استفاده از ترکیب 6 الگوریتم متفاوت در ساختار خود تنظمات رباستی را برای الگوریتم فراابتکاری شما فراهم می‌کند که باعث می‌شود با تنظیم یک بار پارامترها، الگوریتم فراابتکاری مورد نظر را برای تمامی مسائل با اندازه‌های متفاوت (کوچک، متوسط و بزرگ) بدون هیچ دغدغه‌ای قابل استفاده است.

پیشنهاد ویژه

در صورت سفارش همزمان الگوریتم فراابتکاری و الگورتم MOCRS از 50% تخفیف ویژه الگورتم MOCRS بهره‌مند شوید!