• ۸۴۳۲/۰

• (۲۰۳۹/۰)

• ۱۵۵۲/۱

• (۱۳۷۷/۰)

• ۹۶۵۸/۰

• (۱۰۶۸/۰)

• ۶۹۱۳/۰

• (۱۰۱۷/۰)

• ۳۹۲۰/۰

• (۷۳/۱۱)

• ۰۰۵۱/۰

• ۰۰۲۲/۰

MMCOA

در تحلیل جدول ۵-۳ ملاحظه می­ شود که الگوریتم پیشنهادی در فرکانس­های ۵۰۰، ۱۰۰۰، ۲۵۰۰ با تعداد قله­های مختلف آورده شده در جدول، بهتر از سایر الگوریتم­های مورد مقایسه­ عمل کرده است. ولی در فرکانس تغییرات ۱۰۰۰۰و در قله­های ۵، ۱۰، ۲۰، ۳۰ و ۱۰۰ الگوریتم پیشنهادی ضعیف عمل کرده و نتوانسته کارآیی بهتری از الگوریتم FTMPSO ارائه کند. در حالت کلی کارآیی الگوریتم­ها با پایین آمدن فرکانس تغییرات، بدتر می­ شود. دلیل این افت کیفیت، کاهش فرصت الگوریتم­ها بین دو تغییر محیطی است. در واقع در این حالت الگوریتم­ها فرصت کمتری برای یافتن موقعیت­های بهتر دارند.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

همچنین کارآیی الگوریتم­ها در محیط­هایی با تعداد قله­های کمتر بهتر بوده ولی با افزایش تعداد
قله­ها، کارآیی در بیشتر موارد کاهش می­یابد. با این وجود کارآیی الگوریتم پیشنهادی با افزایش تعداد قله­ها، از افت کمتری نسبت به اکثر الگوریتم­ها برخوردار است که دلیل این امر بهره­ گیری از مکانیزم فعال­سازی است. در الگوریتم­های دیگر، با بالا رفتن تعداد دسته­ها، تعداد ارزیابی شایستگی بیشتری انجام می­ شود، بنابراین به نوعی دسته­ها فرصت کمتری برای بهبود موقعیت خود دارند. این در حالی است که در الگوریتم پیشنهادی، هر چقدر هم که تعداد دسته­ها زیاد باشد (با توجه به زیاد بودن تعداد قله­ها)، از آن­جایی که تنها ۲ دسته­ی هم­گرا شده و یک دسته­­ی آزاد فعال هستند، فرصت مناسب در اختیار ۲ دسته­ی بهتر برای بهبود کارآیی الگوریتم و نیز فرصت بیشتری برای دسته­ی­­ آزاد جهت یافتن قله­های جدید وجود دارد.
نکته­ی قابل ذکر دیگری که در مورد نتایج وجود دارد این است که با افزایش تعداد قله­ها به ۱۰۰ و ۲۰۰، در برخی موارد کارآیی الگوریتم­ها بر خلاف تصور بهبود می­یابد. دلیل اتفاق افتادن این امر این است که فاصله­ی بین ارتفاع قله­ها در این شرایط کاهش یافته و بدین ترتیب میزان خطا نیز کاهش خواهد یافت.
از طرف دیگر در برخی موارد کیفیت نتایج خارج از انتظار به نظر می­رسد. به طور مثال با افزایش تعداد قله­ها از ۲۰ به ۳۰ کارآیی الگوریتم بهبود می­یابد. همچنین گاهی با افزایش فرکانس تغییرات، کارآیی الگوریتم بهبود (قابل توجه) پیدا نمی­کند. برای بدست آوردن دلیل این امر، آزمایشات بسیاری انجام شده که در آن­ها رفتار دسته­ها مورد بررسی کامل و دقیق قرار گرفته­اند. نتیجه ای که بدست آمد
بدین شرح است: با توجه به تصادفی بودن موقعیت قله­ها در هر بار اجرا، در برخی موارد این مسئله پیش می ­آید که بعضی از قله­ها (مخصوصا بهترین قله) در ابتدای اجرای الگوریتم بر روی مرزهای فضای جستجو قرار گرفته و همین امر موجب شده که این قله­ها دیرتر مورد شناسایی و نظارت توسط دسته­ها قرار گیرند. در نتیجه کارآیی الگوریتم در این موارد کاهش می­یابد. با توجه به این موضوع، مقدار متوسط بدست آمده در ۵۰ بار اجرای الگوریتم­ها می ­تواند دچار افزایش مقدار و در نتیجه کاهش کیفیت کارآیی گردد. بنابراین در صورتی­که این شرایط به طور تصادفی در ۵۰ بار اجرای یک الگوریتم بیشتر پیش بیاید، مقدار متوسط کارآیی آن دچار افت خواهد شد.
جدول ۵-۴ نیز به بررسی و مقایسه­ نتایج همانند جدول ۵-۳ می ­پردازد. با این تفاوت که در این­جا نتایج با فرکانس تغییرات استاندارد ۵۰۰۰ حاصل گردیده که در تعداد قله­های ۱، ۵، ۵۰، ۱۰۰ و ۲۰۰ کارآیی الگوریتم پیشنهادی بهتر از سایر الگوریتم­های مورد مقایسه­ می­باشد. در بقیه­ی قله­ها الگوریتم FTMPSO بهتر عمل کرده است.
جدول ۵-۴: مقایسه­ خطای برون­خطى (خطای استاندارد) الگوریتم­ها بر روی MPB با f=5000، S=1 و تعداد قله­های مختلف