در راستای اعمال هر چه موثرتر یادگیری تکاملی به سیستم های چند کارگزاره با پیچیدگی در حال افزایش، توسعه تکنیک های جدید برای اصلاح عملکرد فرایند یادگیری اجتناب ناپذیر می باشد. الگوریتم های تکاملی به نوبه خود در قبال یک سیستم چند کارگزاره پیچیده کند عمل کرده، و مقوله همگرایی در خصوص این سیستم ها، به واسطه نیاز به راهبردهای هماهنگی متناسب میان اجزا تشکیل دهنده، به طرز خاصی بحرانی می گردد. این امر موجب افزایش زیادی در پیچیدگی مساله مورد نظر می شود. در این مقاله ما نشان داده ایم که چگونه می توان با به کار بستن یک الگوریتم وراثتی لایه بندی شده، راهبردهای رفتاری در یک محیط چند کارگزاره را تکامل بخشید. نتایج آزمایش حاکی از آن است که این روش به مراتب از الگوریتم وراثتی تک لایه و الگوریتم سنتی بهتر عمل می نماید.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در طراحی بهینه سازه های فضاکار به دلیل پر عضو بودنشان نسبت به سازه های دیگر، زمان زیادتری برای تحلیل، طراحی و یا تعیین وزن آنها مورد نیاز می باشد. در این مقاله برای اجتناب از تحلیل های مرکر و وقت گیر مرسوم در روش های معمول، با استفاده از روش شبکه های عصبی مصنوعی و الگوریتم ژنتیک طراحی بهینه سازه های فضاکار از نوع شبکه دو لایه انجام گردیده است. برای این کار، 180 نمونه شبکه دو لایه فولادی با سه توپولوژی مختلف با دهانه هایی بین 10 تا 75 متر و ارتفاع 1 تا 2.5 متر تحلیل شده و در هر مورد وزن بهینه سازه تعیین گردیده است. نتایج حاصل برای آموزش، آزمایش و طراحی یک شبکه عصبی مصنوعی برای تخمین وزن سازه به کار گرفته شده است. آن گاه از روش الگوریتم ژنتیک در تعامل با شبکه عصبی، برای انتخاب یک سازه فضاکار بهینه استفاده شده است. بدین ترتیب می توان با توجه به ابعاد زمین، مناسب ترین پوشش از نوع شبکه دو لایه را با یک توپولوژی مشخص به همراه ارتفاع، فاصله ستون ها و طول اعضای افقی پیشنهاد نمود.

در این مقاله طراحی مسیر یک بازوی مکانیکی چند درجه آزادی صفحه ای با ارایه یک روش جدید تحلیلی برای جلوگیری از برخورد با موانع دایره ای انجام شده است. برای تولید مسیر بازوی مکانیکی و دستیابی سریع به جوابهای بهینه در فضای کاری پیچیده، یک الگوریتم ژنتیک دو لایه معرفی شده و مورد استفاده قرار گرفته است. همچنین یک چند جمله ای درون یاب اسپیلاین درجه سه برای تخمین هر کدام از زوایای مفصلی بکار رفته است. الگوریتم ژنتیک، تعدادی نقطه میانی را برای انطباق منحنی با چند جمله ای درون یاب تعیین می کند تا به واسطه آن بتوان تابع هدف مورد نظر را بهینه کرد. نتایج شبیه سازی، کارایی و توانایی روش مطرح شده را نشان می دهند.