به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

sspco algorithm

در نشریات گروه برق
تکرار جستجوی کلیدواژه sspco algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه sspco algorithm در مقالات مجلات علمی
  • مجید محمدپور، بهروز مینایی بیدگلی، حمید پروین*

    الگوریتم SSPCO گونه ای از الگوریتم های هوش جمعی و برگرفته شده از رفتار پرنده تیهو است. کارآیی این الگوریتم برای حل مسایل بهینه سازی ایستا به اثبات رسیده است؛ اما این کارآیی این الگوریتم تا به حال برای حل مسایل بهینه سازی پویا مورد آزمایش قرار نگرفته است. به دلیل ماهیت NP-Hard بودن مسایل پویا، این الگوریتم به تنهایی قادر به حل این گونه از مسایل بهینه سازی نمی باشد. بنابراین برای این که الگوریتم قادر به ردیابی بهینه متغیر در این مسایل باشد، باید راهکارهایی به همراه این الگوریتم ارایه داد که بتوانند عملکرد این الگوریتم را درمواجهه با محیط های پویا افزایش دهد. در این مقاله دو راه حل برای ترکیب با الگوریتم SSPCO ارایه شده است که عبارتند از، روش چندجمعیتی و حافظه با تخمین تراکم گوسی. مشکلی که در اکثر روش های چندجمعیتی وجود دارد این است که با افزایش کنترل نشده جمعیت، سرعت و راندمان الگوریتم به تدریج کاهش می یابد. روش چندجمعیتی ارایه شده در این مقاله به صورت تطبیقی با فضای مسئله می باشد، و هر زمان که نیاز به افزایش جمعیت باشد یک جمعیت به صورت تطبیقی ایجاد می شود و این موضوع باعث می شود که مشکل روش های قبلی کاهش یابد. یکی از مواردی که در حل مسایل غیرقطعی باید مشخص شود، استفاده از داده های گذشته نزدیک برای پیش بینی آینده نزدیک است. در این مقاله با توجه به این موضوع برای حفظ اطلاعات گذشته از یک نوع خاصی از حافظه استفاده شده است. در این روش از حافظه جدیدی به نام حافظه تخمین تراکم گوسی استفاده شده است. این حافظه عیوب حافظه استاندارد را برطرف نموده و باعث بهبود کارآیی الگوریتم پیشنهادی می شود. برای آزمایش کارآیی روش پیشنهادی از تابع معروف محک قله های متحرک که رفتاری شبیه به مسایل پویا را شبیه سازی می کند، استفاده شده است. الگوریتم پیشنهادی با 10 تا از مشهورترین الگوریتم های بهینه سازی پویا مقایسه گردیده است. همان گونه که از نتایج تجربی و آزمایش ها مشخص می باشد روش پیشنهادی توانسته خطای برون خطی را تا حدود بسیار زیادی نسبت به سایر روش کاهش دهد و خطای تولید شده برای روش پیشنهادی بسیار ناچیز است.

    کلید واژگان: الگوریتم SSPCO، محک قله های متحرک، بهینه سازی پویا، خطای برون خطی، حافظه، خوشه بندی، MMSSPCO
    Majid Mohammadpour, Behrooz Minaei, Hamid Parvin*

    The SSPCO (See-See Particle Chicks Optimization) is a type of swarm intelligence algorithm derived from the behavior of See-See Partridge. Although efficiency of this algorithm has been proven for solving static optimization problems, it has not yet been tested to solve dynamic optimization problems. Due to the nature of NP-Hard dynamic problems, this algorithm alone is not able to solve such optimization problems. Therefore, to enable the algorithm to optimally track the variable in these problems, it is necessary to be provided solutions with this algorithm so that can increase the performance of this algorithm for dynamic environments. In this paper, two solutions for combining SSPCO are presented: (1) the multi-swarm method and (2) memory with Gaussian density estimation. The problem with most multi-swarm methods is that as the population increases uncontrollably, the speed and efficiency of the algorithm gradually decreases. The multi-swarm methods presented in this paper is adapted to the problem space, and whenever there is a need to increase the population, a population is created adaptively, and this reduces the problems of previous methods. One of the issues that is being addressed to solve uncertainty problems is prediction of near future using data of the near past. In this article, to preserve past data a new memory called Gaussian density estimation memory is used. This memory fixes standard memory defects and improves the performance of the proposed algorithm. To evaluate the efficiency of the proposed method, the well-known moving peak benchmark function, which simulates behavior of dynamic problems, is used. The proposed algorithm is compared with the 10 most popular dynamic optimization algorithms. According to the experimental results, the proposed method reduces offline error to a great extent compared to other methods and the error produced by the proposed method is very small.

    Keywords: Moving-Peak-Benchmark, Dynamic Optimization, Offline Error, SSPCO algorithm, Moving Peaks Benchmark, Density Estimation Memory, Clustering
  • روح الله امیدوار*، حمید پروین

    بهینه سازی امروزه یکی از پرکاربردترین حوزه ها در علوم مختلف می باشد. الگوریتم های مختلفی برای حل اینگونه مسایل ارائه شده است. شبیه سازی ابزاری است که دنیای واقعی را جهت اعمال الگوریتم بهینه سازی مهیا سازد. الگوریتم SSPCO یکی از جدیدترین الگوریتم های بهینه سازی می باشد. شبیه سازی الگوریتم ها نیز دارای چالش های بسیاری است که در ارائه الگوریتم به صورت موثر اهمیت دارد. متامدل ها رویکردی جهت مقابله با مشکلهای شبیه سازی از جمله بار سنگین محاسبات و زمان اجرای بالای آن می باشد. متامدل خود دچار مشکلاتی نظیر این است که مدل شبیه سازی را از دنیای واقعی خود دور می کند. الگوریتم بهینه سازی SSPCO یکی از جدیدترین الگوریتم های فراابتکاری می باشد که از رفتار جوجه های پرنده تیهو الگوبرداری شده است. ما در این مقاله با استفاده از الگوریتم SSPCO سعی کردیم ضمن حذف متامدل زمان رسیدن به جواب بهینه را نیز کاهش دهیم. نتایج را در چهار روش اجرای الگوریتم آورده ایم که نتایج نشان می دهد که روش های جدید شبیه سازی توانسته با حدف متامدل زمان اجرا را کاهش دهد.

    کلید واژگان: شبیه سازی، الگوریتم SSPCO، متامدل، هزینه، زمان اجرا
    Rohollah Omidvar*, Hamid Parvin

    Today's optimization is one of the most used areas in various sciences. Different algorithms are proposed to solve these problems. The SSPCO algorithm is one of the newest optimization algorithms. Simulation algorithms also have many challenges that are important in providing algorithms. Simulation is a tool to provide the real-world for applying the optimization algorithm. Meta-models are approaches to deal with simulation problems including heavy load of calculations and scalable runtime. Meta-model encounters some problems itself such as making the simulation model far away from its real-world. SSPCO Algorithm is one of the newest meta-heuristic optimization algorithms which model the behavior of partridge-bird chickens. In this paper, we tried to remove the meta-model as well as reducing the time to reach the optimal solution using SSPCO Algorithm. Simulation results which are presented in four ways of running the algorithm show that the simulation new methods could reduce the runtime by removing meta-model.

    Keywords: Cost, SSPCO Algorithm, Run Time, Meta Model, Simulation
  • Rohollah Omidvar, Amin Eskandari, Narjes Heydari, Fatemeh Hemmat, Sara Esmaeili
    Data clustering is a popular analysis tool for data statistics in several fields, including includes pattern recognition, data mining, machine learning, image analysis and bioinformatics, in which the information to be analyzed can be of any distribution in size and shape. Clustering is effective as a technique for discerning the structure of and unraveling the complex relationship between massive amounts of data. See-See partridge chick’s optimization (SSPCO) algorithm is a new optimization algorithm that is inspired by the behavior of a type of bird called see-see partridge. We propose chaotic map SSPCO optimization method for clustering, which uses a chaotic map to adopt a random sequence with a random starting point as a parameter, the method relies on this parameter to update the positions and velocities of the chicks. In the study, twelve different clustering algorithms were extensively compared on thirteen test data sets. The results indicate that the performance of the Chaotic SSPCO method is significantly better than the performance of other algorithms for data clustering problems.
    Keywords: SSPCO Algorithm, Chaotic, Clustering, Clustering Error, Dataset
  • Rohollah Omidvar *, Hamid Parvin, Amin Eskandari
    Assigning a set of objects to groups such that objects in one group or cluster are more similar to each other than the other clusters’ objects is the main task of clustering analysis. SSPCO optimization algorithm is a new optimization algorithm that is inspired by the behavior of a type of bird called see see partridge. One of the things that smart algorithms are applied to solve is the problem of clustering. Clustering is employed as a powerful tool in many data mining applications, data analysis, and data compression in order to group data on the number of clusters (groups). In the present article, a chaotic SSPCO algorithm is utilized for clustering data on different benchmarks and datasets; moreover, clustering with artificial bee colony algorithm and particle mass 9 clustering technique is compared. Clustering tests have been done on 13 datasets from UCI machine learning repository. The results show that clustering SSPCO algorithm is a clustering technique which is very efficient in clustering multivariate data.
    Keywords: SSPCO algorithm, Chaotic, Clustering, Initial Population, Data set
نکته
  • 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.
درخواست پشتیبانی - گزارش اشکال