nonlinear benchmark functions
در نشریات گروه برق-
الگوریتم بهینه سازی ازدحام ذرات (PSOالگوریتم بهینه سازی ازدحام ذرات (PSO) یک روش بهینه سازی فراابتکاری مبتنی بر جمعیت است که می تواند برای طیف وسیعی از مسائل به کار گرفته شود اما این الگوریتم ایراداتی هم دارد؛ مانند این که به راحتی در نقاط بهینه محلی گیر می افتد و در مراحل پایانی دچار کندی همگرایی می گردد. به منظور حل این ایرادات، تاکنون انواع الگوریتم های PSO بهبودیافته (IPSO) پیشنهاد شده است. جهت ایجاد یک تعادل بین ویژگی های پویش و بهره برداری PSO، این مقاله الگوریتم های IPSO مبتنی بر یک کلاس جدید از ضرائب یادگیری نمایی (ELF-PSO) را معرفی می نماید که از لحاظ محاسباتی کارآمد و سریع می باشند. این کلاس شامل استراتژی های ضرائب یادگیری نمایی متغیر با زمان (TELF)، ضرائب یادگیری نمایی تصادفی (RELF)، ضرائب یادگیری نمایی خود-تنظیم (SELF) و ضرائب یادگیری نمایی خطی (LELF) است. آزمایش های متعددی برای مقایسه روش های پیشنهادی با یک مجموعه از استراتژی های معروف ضرائب یادگیری ثابت، تصادفی، متغیر با زمان و تطبیقی بر روی یک سری از توابع معیار غیرخطی انجام پذیرفت. نتایج تجربی و تحلیل های آماری ثابت می کنند که الگوریتم های ELF-PSO قادرند دسته وسیعی از مسائل بهینه سازی غیرخطی دشوار را به طور کارآمدی حل کنند. همچنین نتایج آزمایش ها نشان می دهد که روش های پیشنهادی، در اغلب موارد بهتر از سایر الگوریتم ها عمل می کنند.
کلید واژگان: الگوریتم بهینه سازی ازدحام ذرات بهبودیافته، ضرائب یادگیری تطبیقی، ضرائب یادگیری متغیر با زمان، توابع معیار غیرخطیThe particle swarm optimizer (PSO) is a population-based metaheuristic optimization method that can be applied to a wide range of problems but it has the drawbacks like it easily falls into local optima and suffers from slow convergence in the later stages. In order to solve these problems, improved PSO (IPSO) variants, have been proposed. To bring about a balance between the exploration and exploitation characteristics of PSO, this paper introduces computationally fast and efficient IPSO algorithms based on a novel class of exponential learning factors (ELF-PSO). This class contains time-varying exponential learning factors (TELF), random exponential learning factors (RELF), self-adjusting exponential learning factors (SELF) and linear-exponential learning factors (LELF) strategies. Experiment is performed and compared with a set of well-known constant, random, time-varying and adaptive learning factors strategies on a suite of nonlinear benchmark functions. The experimental results and statistical analysis prove that ELF-PSO algorithms are able to solve a wide range of difficult nonlinear optimization problems efficiently. Also these results show that the proposed methods outperform other algorithms in most cases.
Keywords: Improved particle swarm optimization algorithm, Adaptive learning factors, Time-varying learning factors, Nonlinear benchmark functions
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.