دانلود شبیه سازی مقاله بهینه سازی توابع با ترکیب الگوریتم ازدحام ذرات و یادگیری رقابتی

بهینه سازی با ترکیب PSO و یادگیری رقابتی (RL)

توسعه الگوریتم مؤثری که هم الگوریتم بهینه سازی ازدحام ذرات (PSO) و هم یک روش جستجوی محلی را در بر می گیرد، کار دشواری است. مسائل چالش برانگیز عبارتند از زمانی که باید روش جستجو محلی را فراخوانی کرد، فرکانس فراخوانی روش جستجوی محلی و نیز اینکه کدام ذرات باید عملیات جستجو محلی را انجام دهند.

با توجه به این چالش، یک مدل بهینه سازی جزئی ذرات ریزموج (RLMPSO) مبتنی بر یادگیری رقابتی در این مقاله ارائه شده است. هر ذره به پنج عملیات تحت کنترل الگوریتم یادگیری رقابتی (RL)، یعنی اکتشاف، همگرایی، پرش به بالا، پرش کم و تنظیم دقیق، تحت عمل قرار می گیرد. این عملیات توسط ذره بر اساس عمل تولید شده توسط الگوریتم RL انجام می شود. مدل RLMPSO پیشنهادی با استفاده از چهار معیار منحصربفرد، چند معیاره، شش مسئله کامپوزیت، پنج معیار مساوی تغییر یافته و چرخش و همچنین دو مسئله کاربردی معیار ارزیابی می شود. نتایج تجربی نشان می دهد که RLMPSO عملکرد بهتری دارد و از چندین الگوریتم مبتنی بر PSO نتایج بهتری را بدست می آورد.

این شبیه سازی در نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تعدادی از تصاویر مربوط به خروجی های آن قرار داده شده است:

یادگیری رقابتی