การกำหนดค่าพารามิเตอร์ให้เหมาะสมของอัลกอริทึมอาณานิคมผึ้งประดิษฐ์ด้วยวิธีพื้นผิวตอบสนอง
Article Sidebar
Main Article Content
บทคัดย่อ
อัลกอริทึมอาณานิคมผึ้งประดิษฐ์เป็นหนึ่งในวิธีแบบเมตาฮิวริสติกส์แบบกลุ่มที่มีประสิทธิภาพที่ยอดเยี่ยมและการใช้งานที่เรียบง่าย แต่เป็นที่ทราบกันดีว่าวิธีแบบเมตาฮิวริสติกส์นั้นถ้าต้องการให้เกิดประสิทธิภาพสูงสุดต้องมีการกำหนดค่าพารามิเตอร์ของอัลกอริทึมให้เหมาะสมด้วย ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อใช้วิธีพื้นผิวตอบสนองในการวิเคราะห์ระดับของพารามิเตอร์ที่เหมาะสมของอัลกอริทึมอาณานิคมผึ้งประดิษฐ์กับปัญหาทดสอบแบบตัวแปรต่อเนื่อง ในการดำเนินการวิจัยนี้จะเริ่มจากการออกแบบการทดลองแบบ 3k แฟคทอเรียล โดยพารามิเตอร์ที่ถูกนำมาใช้ในการออกแบบ ประกอบไปด้วย รอบในการวนซ้ำ (Iteration) จำนวนประชากรผึ้ง (Number of population) และขีดจำกัด (Limit) หลังจากนั้นนำแบบการทดลองที่ได้ไปทำการทดลองเพื่อเก็บข้อมูล และนำข้อมูลที่ได้จากการทดลองมาทำการวิเคราะห์ด้วยวิธีพื้นผิวตอบสนอง จากผลการวิเคราะห์ข้อมูลพบว่า ผลกระทบหลักซึ่งเกิดจากการเปลี่ยนระดับของทั้งสามพารามิเตอร์ ผลกระทบร่วมระหว่างจำนวนประชากรผึ้งและขีดจำกัด และโมเดลกำลังสองมีนัยสำคัญทางสถิติที่ 0.05 (P-value<0.05) ขั้นตอนสุดท้ายคือการนำตัวแบบการถดถอยไปหาค่าพารามิเตอร์ที่ส่งผลให้ได้คำตอบที่ดีทีสุด ผลจากการวิเคราะห์ตัวแบบการถดถอยพบว่า ค่าพารามิเตอร์ที่เหมาะสมของอัลกอริทึมอาณานิคมผึ้งประดิษฐ์ในการแก้ปัญหาฟังก์ชันคณิตศาสตร์แบบตัวแปรต่อเนื่อง ควรกำหนดระดับของ รอบในการวนซ้ำ จำนวนประชากรผึ้ง และขีดจำกัด เป็น 900 40 และ 90 ตามลำดับ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธ์ ของมหาวิทยาลัยเทคโนโลยีราชมงคลพระนครเอกสารอ้างอิง
P. Deift and X. Zhou, “A steepest descent method for oscillatory Riemann-Hilbert problems,” Asymptotics for the MKdV equation. Annals of Mathematics, vol. 137(2), pp. 295-368, 1993.
D. Goldfarb and J. K. Reid, “A practicable steepest-edge simplex algorithm,” Mathematical Programming, vol. 12(1), pp. 361-371, 1977.
L. Qi and J. Sun, “A nonsmooth version of Newton's method,” Mathematical programming, vol. 58(1), pp. 353-367, 1993.
M. J. Best, “A feasible conjugate-direction method to solve linearly constrained minimization problems,” Journal of Optimization Theory and Applications, vol. 16(1), pp. 25-38, 1975.
H. Rao, X. Shi, A. K. Rodrigue, J. Feng, Y. Xia, M. Elhoseny and L. Gu, “Feature selection based on artificial bee colony and gradient boosting decision tree,” Applied Soft Computing, vol. 74, pp. 634-642, 2019.
W. Chen, M. Panahi, P. Tsangaratos, H. Shahabi, I. Ilia, S. Panahi, and B. B. Ahmad, “Applying population-based evolutionary algorithms and a neuro-fuzzy system for modeling landslide susceptibility,” Catena, vol. 172, pp. 212-231, 2019.
Y. Xue, B. Xue and M. Zhang, “Self-adaptive particle swarm optimization for large-scale feature selection in classification,” ACM Transactions on Knowledge Discovery from Data (TKDD), vol. 13(5), pp. 1-27, 2019.
Q. Yang, W. N. Chen, T. Gu, H. Jin, W. Mao and J. Zhang, “An adaptive stochastic dominant learning swarm optimizer for high-dimensional optimization,” IEEE Transactions on Cybernetics, 2020.
J. Yang, C. Jiangtao and Y. D. Zhang, “Artificial bee colony algorithm with adaptive covariance matrix for hearing loss detection,” Knowledge-Based Systems, vol. 216, pp. 1-28, 2021.
Y. Xinjie and G. Mitsuo, “Introduction to Evolutionary Algorithms,” Springer Science & Business Media, 2010.
A. Khadwilard, “Application of Genetic Algorithm for Optimization Problems”, RMUTP Sci J, vol. 5, no. 2, pp. 153-163, 2011.
R. Storn and K. V. Price, “Differential Evolution–A Simple and Efficient Heuristic for global Optimization over Continuous Spaces,” Journal of Global Optimization, vol. 11, pp. 341-359, 1997.
M. Dorigo, M. Birattari and T. Stutzle, “Ant colony optimization,” IEEE Computational Intelligence Magazine, vol. 1(4), pp. 28-39, 2006.
R. C. Eberhart, Y. Shi and J. Kennedy, “Swarm intelligence,” Elsevier, 2001.
D. Karaboga, “An idea based on honey bee swarm for numerical optimization,” Technical report-tr06, Erciyes University, engineering faculty, computer engineering department, vol. 200, pp. 1-10, 2005.
H. Eskandar, A. Sadollah, A. Bahreininejad and M. Hamdi, “Water cycle algorithm–A novel metaheuristic optimization method for solving constrained engineering optimization problems,” Computers & Structures, vol. 110, pp. 151-166, 2012.
E. Rashedi, H. Nezamabadi-Pour and S. Saryazdi, “GSA: a gravitational search algorithm,” Information sciences, vol. 179(13), pp. 2232-2248, 2009.
N. Siddique and H. Adeli, “Nature-inspired chemical reaction optimization algorithms, Cognitive computation, vol. 9(4), pp. 411-422, 2017.
B. Akay and D. Karaboga, “Parameter Tuning for the Artificial Bee Colony Algorithm,” Computational Collective Intelligence, pp. 608-619, 2009.
Y. S. Qi, T. K. Wen, S. Rui, D. Gan, Z. A. Abdul Salam, “Parameter tuning for artificial Bee Colony algorithm,” Journal of Applied Technology and Innovation, vol. 5, no. 1, pp. 11-14, 2021.
G. E. P. Box and K. B. Wilson, “On the experimental attainment of optimum conditions,” Journal of the Royal Statistical Society B, vol. 13, pp. 1–45, 1951.
D. C. Montgomery, Design and analysis of experiments, New York: John Wiley and Sons, 2001.
