وبلاگ

تعداد ناحیه های برگزیده

:

 

تعداد ناحیه های کوچکتر بدست آمده از هر ناحیه برگزیده

:

 

 

این دو پارامتر باید برای مسائل گوناگون تنظیم شوند. معمولا مقدار ۲ برای این دو پارامتر مقدار مناسبی است. با افزایش مقدار این دو پارامتر احتمال از دست دادن ناحیه ای که در آن مقدار بهینه وجود دارد بسیار کاهش پیدا خواهد کرد.

سرعت همگرایی جواب ها نیز کاهش پیدا خواهد کرد. در ضمن تعداد دفعات ارزیابی تابع هدف افزایش و طبیعتا به دنبال آن زمان حل نیز افزایش پیدا خواهد کرد.
در صورت کاهش مقدار این دو پارامتر، احتمال از دست دادن ناحیه ای که در آن مقدار بهینه وجود دارد افزایش پیدا خواهد کرد. سرعت همگرایی جواب ها افزایش، تعداد دفعات ارزیابی تابع هدف و زمان حل کاهش پیدا خواهد کرد.

 

حداقل تعداد تکرار برای انجام شروع مجدد

:

 

کمترین میزان بهبود تابع هدف برای انجام شروع مجدد

:

 

 

این دو پارامتر برای شرایط شروع مجدد است. به طور مثال اگر ۵  و۰٫۰۰۱  در نظر گرفته شود. در تکرار های مضرب ۵ اگرمیزان بهبود عملکرد الگوریتم کمتر از ۰٫۰۰۱ باشد عمل شروع مجدد انجام می شود.
می توان  را طوری در نظر گرفت که بعد از هر شروع مجدد مقدارش کمتر شود. این عمل باعث افزایش سرعت همگرایی الگوریتم به سمت نقطه بهینه می شود.
برای برخی از مسائل وجود شروع مجدد باعث بهبود عملکرد الگوریتم می شود و در برخی از مسائل نبود آن نتیجه بهتری را در پی خواهد داشت که برای این امر مقدار  برابر حداکثر تعداد تکرار یا بیشتر قرار داده می شود.

 

حداقل اندازه یک ناحیه برای تقسیم شدن به ناحیه های کوچکتر

:

 

 

اگر اندازه منطقه برگزیده بسیار کوچک بود و در واقع از مقدار  کمتر باشد می توان این ناحیه را به قسمت های کوچکتر تقسیم نکرد. چون در اندازه های کوچک بدون تقسیم کردن نیز الگوریتم می تواند نتایج مطلوبی بدست آورد.
این کار باعث کاهش زمان حل و بهینه کردن ساختار الگوریتم می شود. در مسائل اندکی از این پارامتر استفاده می شود و در واقع مقدار به خود می گیرد و برای حل اکثر مسائل مقدار این پارامتر صفر است.

 

تعداد متغیر های که خرد می شوند

nv :

 

 

برای تقسیم ناحیه های برگزیده باید اندازه بعضی از متغیرها را تقسیم کرد. معیار انتخاب متغیر ها بر اساس بزرگی فاصله بین حد بالا و پایین آن ها خواهد بود، تعداد آن نیز nv است.
نتایج بدست آمده از مثال های گوناگون نشان می دهد که مطلوب ترین مقدار برای این پارامتر برابر ۱ یا نصف یا کل تعداد متغیر ها است. در اکثر مسائل بهینه سازی با وجود محدودیت مقدار ۱ برای این پارامتر مناسب است.