*
فاخته ها برای بیشینه كردن نجات تخم های خود به دنبال بهترین منطقه می گردند. پس از آنكه جوجه ها از تخم درآمدند و به فاخته بالغ تبدیل شدند، جوامع و گروه هایی تشكیل می دهند. هر گروه منطقه سكونت خود را برای زیست دارد. بهترین منطقه سكونت تمام گروه ها مقصد بعدی فاخته ها در سایر گروه ها خواهد بود. تمام گروه ها به سمت بهترین منطقه موجود فعلی مهاجرت می كنند. هر گروه در منطقهای نزدیك بهترین موقعیت فعلی ساكن می شود. با در نظر گرفتن تعداد تخمی كه هر فاخته خواهد گذاشت و همچنین فاصله فاخته ها از منطقه بهینه فعلی برای سكونت تعدادی شعاع تخم گذاری محاسبه شده و شكل میگیرد . سپس فاخته ها شروع به تخم گذاری تصادفی در لانه هایی داخل شعاع تخم گذاری خود می كنند. این فرآیند تا رسیدن به بهترین محل برای تخم گذاری (منطقه با بیشترین سود) ادامه می یابد. این محل بهینه جایی است كه بیشترین تعداد فاخته ها در آن گرد می آیند .
*
*برای حل یك مساله بهینه سازی لازم است تا مقادیر متغیرهای مساله به فرم یك آرایه شكل گیرند. در GA و PSO این آرایه ها با نام های "كروموزوم" و "موقعیت ذرات" مشخص می شوند. ولی در الگوریتم بهینه سازی فاخته این آرایه habitat یا "محل سكونت" نام دارند . در یك مساله بهینه سازی N بعدی یك habitat یك آرایه 1*Nخواهد بود كه موقعیت فعلی زندگی فاخته ها را نشان می دهد. این آرایه به شكل زیر تعریف می :شود :
*Habitat = [x1,x2,…,xN]
*میزان مناسب بودن (یا مقدار سود) در habitat فعلی با ارزیابی تابع سود (fp) در habitat به دست می آید. بنابراین
*Profit = fp(habitat) = fp(x1,x2,…,xN)
*همانطور كه دیده می شود الگوریتم تکاملی فاخته الگوریتمی است كه تابع سود را ماكزیمم میكند. برای استفاده از الگوریتم فاخته برای حل مسایل كمینه سازی كافی است یك علامت منفی در تابع هزینه ضرب كنیم . برای شروع الگوریتم بهینه سازی یك ماتریس habitat به اندازه Npop*N تولید میشود. سپس برای هر كدام از این habitatها تعدادی تصادفی تخم تخصیص می یابد. در طبیعت هر فاخته بین5 تا 20 تخم می گذارد. این اعداد به عنوان حد بالا و پایین تخصیص تخم به هر فاخته در تكرارهای مختلف استفاده می شود. دیگر عادت هر فاخته حقیقی این است كه آنها در یك دامنه مشخص تخم های خود را می گذارند كه با آن حداكثر دامنه تخمگذاری (ELR) گفته می .شود در یك مساله بهینه سازی هر متغیر دارای حد بالا varhi و حد پایین varlow است که هر ELR با استفاده از این حدود قابل تعریف خواهد بود. ELR متناسب است با تعداد كل تخم ها، تعداد تخم های فعلی فاخته و همچنین حد بالا و پایین متغیرهای مساله .
*بنابراین ELR به صورت رابطه (1) محاسبه می گردد .
*
*
* *وقتی جوجه فاخته ها رشد كردند و بالغ شدند مدتی در محیط ها و گروه های خودشان زندگی می كنند ولی وقتی زمان تخم گذاری نزدیك می شود به habitatهای بهتر كه در آنجا شانس زنده ماندن تخم ها بیشتر است مهاجرت می كنند. پس از تشكیل گروه های فاخته در مناطق مختلف زیست (فضای جستجوی مساله) گروه دارای بهترین موقعیت به عنوان نقطه هدف برای سایر فاخته ها جهت مهاجرت انتخاب می شود. هنگامی كه فاخته های بالغ در نقاط محیط زیست زندگی میكنند تشخیص اینكه هر فاخته به كدام گروه تعلق دارد كار سختی است. برای حل این مشكل، گروه بندی فاخته ها توسط روش كلاسبندی K-means انجام می شود ( k بین1 تا 3 5 معمولا كفایت میكند ). حال كه گروه های فاخته تشكیل شدند سود میانگین گروه محاسبه می شود تا بهینگی نسبی محل زیست آن گروه به دست آید. سپس گروهی كه دارای بیشترین مقدار متوسط سود (بهینگی) باشد، به عنوان گروه هدف انتخاب شده و گروه های دیگر به سمت آن مهاجرت می كنند . *هنگام مهاجرت به سمت نقطه هدف فاخته ها تمام مسیر را به سمت محل هدف طی نمی كنند. آنها فقط قسمتی از مسیر را طی كرده و در آن مسیر هم انحرافی دارند. این نحوه حركت را در شكل 3 به وضوح مشاهده می شود. همانطور كه از شكل معلوم است هر فاخته فقط λ% از كل مسیر را به سمت هدف ایده آل فعلی طی میكند و یك انحراف φ رادیان نیز دارد. این دو پارامتر به فاخته ها كمك می كند تا محیط بیشتری را جستجو كنند. λ عددی تصادفی بین 1و 0 است و φ عددی بین π/6 و π/6 - می باشد. وقتی تمام فاخته ها به سمت نقطه هدف مهاجرت كردند و نقاط سكونت جدید هركدام مشخص شد، هر فاخته صاحب تعدادی تخم می شود. با توجه به تعداد تخم هر فاخته یك ELR برای آن مشخص می شود و سپس تخم گذاری شروع می گردد . فرمول عملگر مهاجرت در الگوریتم بهینه سازی فاخته به صورت رابطه (2) است: *الگوریتم بهینه سازی فاخته یا Cuckoo Optimization Algorithm چیست؟الگوریتم بهینه سازی فاخته یا Cuckoo Optimization Algorithm یكی از جدید ترین و قویترین روشهای بهینه سازی تكاملی می باشد كه تا كنون معرفی شده اند. بعد از معرفی شدن روش های بهینه سازی تكاملی اولیه مثل الگوریتم ژنتیك (GA) ، الگوریتم تبرید تدریجی (Simulated Annealing)، تحقیقات زیادی روی روشهای تكاملی بهینه سازی كه از الهام از طبیعت گرفته شده بودند انجام گرفت. از دیگر الگوریتمهای معرفی شده می توان به الگوریتم ازدحام ذرات (PSO)، كلونی مورچگان (ACO)، الگوریتم زنبور عسل (ABC) و الگوریتم ماهی های مصنوعی (Artificial Fish Swarm) اشاره كرد. كاربردهای بیشماری از این روشها را برای حل مسایل مختلف بهینه سازی پیچیده در مقالات می توان پیدا كرد.
*یكی دیگر از الگوریتم های بهینه سازی تكاملی كه در ایران شكل گرفته و بسیار كاربرد یافته الگوریتم رقابت استعماری است كه بر پایه الهام از یك سیستم رقابتی بین امپراتوریهای جهان جهت تصاحب مستعمره شكل گرفته است. این روش بهینه سازی با تغییری كه در الگوریتم آن برای حركت مستعمره ها به سمت امپراتوری در نظر گرفته شده است توانایی خوبی برای یافتن نقاط بهینه كلی (global optima)از خود نشان داده است.
دسته: حسابداری 
