مقاله کاربرد الگوریتم¬های بهینه¬ساز ، از شناسایی تا تخمین عیار ماده معدنی

بخشی از مقاله

چکیده

به دلیل نوع مسائل مربوط به علوم زمین و تنوع و پیچیدگی پارامترهای دخیل در آن، در سالیان اخیر استفاده روشهای هوشمند در علوم زمین، مورد توجه قرار گرفته است. الگوریتمهای بهینهساز که اغلب از طبیعت الهام گرفتهاند نیز به موازات رونق استفاده روشهای هوشمند در این حوزه، برای حل مسائل بهینهسازی مورد استفاده قرار گرفتهاند. اغلب استفاده این الگوریتمها در بهینهسازی روشهای هوشمند مانند شبکه عصبی مصنوعی، ماشین بردار پشتیبان و روشهای عصبی-فازی بوده است.

در بعضی مسائل بهینهسازی نیز این الگوریتمها به صورت مستقل بکار گرفته شدهاند که میتوان به مسائل معکوس در ژئوفیزیک ساختارهای زمینشناسی اشاره نمود. در این مقاله سعی بر این است که به مرور کلی بر الگوریتمهای بهینهساز و نوع کاربرد آن در شناسایی، تخمین ذخیره و عیار یک کانسار معدنی پرداخته شود.

.1 مقدمه

به منظور کاهش هزینه و زمان در تعیین عیار کانسار معدنی، مدلسازی کانسار توسط نمونههای آنالیز شده و تخمین عیار نقاط مجهول، از کارهای مرسوم در این زمینه است. مدلسازی به دو دسته روشهای سنتی و روشهای پیشرفته تقسیم میشود.

از روشهای سنتی میتوان به روشهای زمین آماری Hornik - و Journel، 1989 ؛ Rendu، 1979؛ Mistra و همکاران،2007؛ Huijbregts، - 1978، روش وزن شواهدAgterberg - 1 و Bonham-Carter، 1999؛ Porwal و همکاران، - 2010، روش های بایسینPorwal - 2 و همکاران، 2006؛ Ziaii و همکاران، - 2009، اشاره نمود. روشهای مرسوم برای تحقق اهداف ذکر شده دارای کمبودهایی هستند؛

لذا در سالهای اخیر روشهای پیشرفته هوش مصنوعی مانند شبکه های عصبی مصنوعی Singer - و Kouda، 1996؛ Brown، 2003؛ Skabar، - 2005 ، عصبی- فازی - Porwal و همکاران، 2004؛ Ziaii و همکاران، 2007؛ Tutmez، - 2009 و ماشین بردار پشتیبان Abedi - و همکاران، 2012؛ Abbaszadeh و همکاران، - 2013، همگام با علوم دیگر برای مدلسازی در بسیاری از علوم مربوط به زمین از جمله علوم مربوط به اکتشاف مواد معدنی استفاده شده است. تعداد پارامترهای بالا در مدلهای هوشمند، روشهای ژئوفیزیکی و سایر بخشهای مربوط به علوم زمین، به کارگیری الگوریتمهای بهینهساز را توجیه مینماید.

.2 الگوریتمهای بهینهساز

یک الگوریتم، توصیفی از گامهایی است که بهگونهای مناسبتر در یک برنامه کامپیوتری پیادهسازی میشود تا تقریبی از یک نقطه بهینه یافت شود. طراحی یک الگوریتم میتواند چند هدف داشته باشد؛ از جمله دستیابی به نقطه بهینه محلی، دستیابی به نقطه بهینه سراسری، یافتن همه نقاط بهینه سراسری، یافتن همه نقاط بهینه سراسری و محلی Hendrix - و G.-T¼th، . - 2010 الگوریتمهایی که در زمینه بهینهیابی ترکیباتی3 ارائه شدهاند، قابل دستهبندی به دو گروه الگوریتمهای کامل4 و الگوریتمهای تقریبی5 هستند

الگوریتمهای تقریب در دهه 1960 به منظور تولید جوابهای نزدیک به بهینه6معرفی شدند. این الگوریتمها برای آن دسته از مسائل بهینهیابی بهکار میروند که با روشهای محاسباتی زمان خود نمیتوان آنها را به صورت اثربخش حل کرد. با ظهور تئوری غیرچندجملهای تاّم7 در اوایل دهه 1970، این حوزه علمی مهمتر شد، زیرا نیاز به تولید جوابهای نزدیک به بهینه برای مسائل بهینهیابی غیرچندجملهای سخت8به منظور غلبه بر یاغیگری محاسباتی9این مسائل به شدت احساس میشد

روشهای تقریبی، به طور معمول مبتنی بر دو اصل پایهای هستند: تکنیکهای ابتکاری سازنده10و روشهای جستجوی محلی.11 تکنیکهای ابتکاری سازنده، مربوط به فرایند ساختن جوابهای اولیه قبل از انجام عملیات دیگری است. جستجوی محلی میتواند به عنوان ساز وکار ابتکاری در نظر گرفته شود که در آن، همسایههای جواب فعلی به عنوان جایگزینهای بالقوه جواب فعلی بررسی میشوند. اگر یکی از همسایههای جواب فعلی پذیرفته شود، حرکت به سوی جواب جدید آغاز میشود و همسایههای این جواب مورد توجه قرار میگیرند

برخی منابع علمی، تکنیکهای ابتکاری را به دو خانواده ابتکاریهای خاص12و فرا ابتکاریها 13تقسیم کردهاند Talibi - ، . - 2009 ابتکاریهای خاص برای حل یک مسأله خاص و یا یک مصداق از آن طراحی میشوند، در حالی که فرا ابتکاریها الگوریتمهای عموممنظورههستند14 که قابل استفاده در تقریباٌ همه مسائل بهینهیابی هستند.

.2-1 الگوریتمهای فرا ابتکاری

در سی سال گذشته، نوع جدیدی از الگوریتمهای تقریب ظهور یافتهاند که هدف از آنها ترکیب روشهای ابتکاری در چارچوبهای کلانتر به منظور کاوش کارا و اثربخش فضای جستجو میباشد. امروزه از این روشها با عنوان روشهای فرا ابتکاری15نام برده میشود. این واژه را اولین بار »گلوور16 «در 1986 به کار برد که از ترکیب دو واژه یونانی »متا« و »هیوریستیک« ساخته شده است. پیشوند »متا« به معنای فراتر یا در سطحی بالاتر است و »هیوریستیک« به معنای یافتن است. قبل از پذیرش عمومی واژه فرا ابتکاری، عبارت »روش ابتکاری نوین17 «برای اینگونه روشها بهکار میرفت Blum - و Roli، . - 2003 یک روش فرا ابتکاری، در حقیقت، یک روش ابتکاری برای حل یک طبقه بسیار عمومی از مسائل است و ترکیبی کارآمد از توابع هدف یا روشهای ابتکاری مبتنی بر توابع هدف میباشد

مزیت اصلی استفاده از روشهای فرا ابتکاری، وجود مفروضات محدود در فرمولنویسی مدل است، در حالی که این امر در برنامهریزی ریاضی مصداق ندارد. برخی از مسائل بهینهیابی را نمیتوان با نمادهای تحلیلی- ریاضی بدون ابهام فرمولنویسی کرد. در واقع، تابع هدف در این موارد، مانند یک جعبه سیاه18است. در بهینهیابی جعبه سیاه، هیچ قاعده تحلیلی برای هدف وجود ندارد

الگوریتمهای فرا ابتکاری بسیاری ارائه شدهاند. این الگوریتمها کارایی بالاتری برای برخی مسائل دارند و در برخی مسائل با مشکلاتی در زمینه نزدیک شدن به جواب بهینه مواجه میشوند. در حقیقت، با توجه به ساختار مسأله و نوع پیچیدگی آن، یک فرد خبره در زمینه الگوریتمهای فرا ابتکاری، یک الگوریتم را برای حل برمیگزیند و پارامترهای مربوط به آن الگوریتم را با استفاده از روش علمی طراحی آزمایشها19یا روش آزمون و خطا تنظیم میکند. جدول - - 1، روشهای فرا ابتکاری بررسی شده در این تحقیق را نشان میدهد.

بسیاری از فرا ابتکاریها الهام گرفته از فرایندهای طبیعی یا فیزیکی هستند. بهینهیابی مورچه20،الگوریتمهای تکاملی21و شبیهسازی تبرید22،مثالهایی از چنین الگوریتمهایی هستند. بهینهیابی مورچه و الگوریتمهای تکاملی از طبیعت و شبیه-سازی تبرید، از فرایند سردسازی فلزات در تولید فلزات مستحکم الهام گرفته شدهاند