عنوان فارسی |
بهینه ساز ازدحام ذرات سلسله مراتبی خود سازمانده با ضرایب شتاب متغیر با زمان |
عنوان انگلیسی |
Self-Organizing Hierarchical Particle Swarm Optimizer With Time-Varying Acceleration Coefficients |
کلمات کلیدی |
ضرایب شتاب؛ ازدحام ذرات سلسله مراتبی؛ جهش؛ ازدحام ذرات؛ مقدار دهی اولیه مجدد |
درسهای مرتبط |
الگوریتم های بهینه سازی |
تعداد صفحات انگلیسی : 16 | نشریه : IEEE |
سال انتشار : 2004 | تعداد رفرنس مقاله : 40 |
فرمت مقاله انگلیسی : PDF | نوع مقاله : ISI |
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله | آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله |
برنامه ای که در آن مقاله شبیه سازی شده است : این مقاله در محیط متلب پیاده سازی شده است | نام مجله مقاله : IEEE Transactions on Evolutionary Computation (مجله رایانش تکاملی) |
ترجمه: ندارد | گزارشکار : دارد (یک فایل 16 صفحه ای در قالب فایل ورد و پی دی اف که مربوط به این شبیه سازی می باشد) | شبیه سازی : دارد (مجموعا 10 ام فایل متلب) |
این مقاله در محیط متلب به صورت کامل شبیه سازی شده و در صورت خرید و دانلود مقاله شما به راحتی قادر خواهید بود از برنامه مربوطه استفاده نمایید. در صورت بروز هر گونه مشکل در نحوه ی اجرای برنامه سایت سیگمالند به مدت 24 ساعت بعد از خرید محصول، پشتیبانی آن را تا اجرای کامل برعهده دارد.
بهینه سازی ازدحام ذرات (PSO) یک روش بهینه سازی جستجویی خود وفقی مبتنی بر جمعیت است که توسط کندی و ابرهارت در سال 1995 معرفی شد. انگیزه ابداع این روش براساس شبیه سازی رفتارهای اجتماعی ساده شده جانوران مانند حرکت دسته جمعی ماهی، خوراک جویی پرندگان و غیره بود. مشابه با روش های بهینه سازی مبتنی بر جمعیت دیگر مانند الگوریتم های ژنتیک، الگوریتم ازدحام ذرات با مقدار دهی اتفاقی یک جامعه از افراد (ذرات) در فضای جستجو شروع می شود. اما، برخلاف روش های بهینه سازی تکاملی دیگر، در PSO بازترکیب مستقیم مواد ژنتیک بین افراد در طی جستجو وجود ندارد. الگوریتم PSO برروی رفتار اجتماعی ذرات در دسته (swarm) کار می کند. بنابراین، بهترین جواب سراسری را بسادگی با تنظیم مسیر هر فرد به سمت بهترین مکانش و به سمت بهترین ذره کل دسته در هر گام زمانی (نسل)، پیدا می کند. روش PSO بخاطر سادگی پیاده سازی و توانایی همگرایی سریع به یک جواب خوب و معقول، بسیار پرطرفدار شده است.
این پروژه، یک استراتژی اتوماسیون پارامتری نوین برای الگوریتم ازدحام ذرات و دو تعمیم دیگر برای بهبود عملکرد آن بعد از یک تعداد نسل از پیش تعریف شده، معرفی می کند. در ابتدا، برای کنترل موثر جستجوی محلی و همگرایی به جواب بهینه سراسری، ضرایب شتاب متغیر با زمان (TVAC) علاوه بر ضریب وزن اینرسی متغیر با زمان در بهینه سازی ازدحام ذرات (PSO) معرفی می شوند. از جنبه TVAC، دو استراتژی جدید برای بهبود عملکرد PSO به بحث گذاشته می شوند. اولی که مفهوم «جهش» است برای بهینه سازی ازدحام ذرات همراه با TVAC (MPSO-TVAC) با افزودن یک آشفتگی کوچک به یک مادول به تصادف انتخاب شده از بردار سرعت یک ذره تصادفی با احتمال پیش تعریف شده، معرفی می شود. سپس، یک مفهوم نوین در زمینه ازدحام ذرات به نام «سازمان دهی بهینه ساز ازدحام ذرات سلسله مراتبی با TVAC (HPSO-TVAC)» را معرفی می کنیم. با این روش، تنها قسمت «اجتماعی» و قسمت «شناختی» استراتژی ازدحام ذرات برای برآورد سرعت جدید هر ذره مورد ملاحظه قرار می گیرند و ذرات مجدداً مقدار دهی می شوند هرگاه که در فضای جستجو گیر کردند و راکد ماندند. علاوه بر آن، برای غلبه بر مشکلات انتخاب یک اندازه گام جهش مناسب برای مسائل مختلف، یک اندازه گام جهش متغیر با زمان معرفی شد. علاوه بر آن، برای اکثر معیارها، فهمیده شده که احتمال جهش به عملکرد روش MPSO-TVAC حساس نیست. از سوی دیگر، اثر سرعت مقدار دهی مجدد بر عملکرد روش HPSO-TVAC نیز مشاهده می شود. گام زمانی مقدار دهی مجدد متغیر با زمان، یک استراتژی بهینه سازی پارامتر کارآمد برای روش HPSO-TVAC دیده شده است. استراتژی HPSO-TVAC نسبت به همه روش های ملاحظه شده در این پروژه برای اکثر توابع، عملکرد برتر داشت. علاوه بر آن، همچنین مشاهده شده که هر دو استراتژی MPSO و HPSO عملکرد ضعیفی دارند هنگامی که ضرایب شتاب در 2 ثابت باشند.
این پروژه با استفاده از نرم افزار متلب (MATLAB) شبیه سازی شده است. این شبیه سازی دارای شش کد برنامه نویسی جداگانه برای حالات: pso، mpso-tvac، mpso، hps-tvac و hpso می باشد. تعدادی از خروجی های مربوط به شبیه سازی در شکل زیر نشان داده شده است:
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.