عملکرد روش های بهینه سازی هوشمند در مسائل شناسایی سیستم IIR

روش های بهینه سازی هوشمند با استفاده از تجربیات گذشته ی جمعیتی از عوامل جستجو، به طور موثر به کاوش و مرور فضای پاسخ می پردازند. این تکنیک های مبتنی بر هوش جمعی قادرند مسائل بهینه سازی پیچیده را با تعداد تکرار معین حل کنند. این مقاله به ارزیابی عملکرد گونه های متفاوتی از الگوریتم های رایج و قدرتمند بهینه سازی در مساله شناسایی سیستم در جهت طراحی و مدل سازی بهینه فیلترهای دیجیتال پاسخ ضربه نامتناهی (IIR) می پردازد. روش های مفروض عبارتند از: الگوریتم های وراثتی (GA) و تکامل تفاضلی (DE) مبتنی بر نظریه تکامل در کنار شش الگوریتم هوش جمعی بهینه سازی گروه ذرات (PSO)، الگوریتم جستجوی گرانشی (GSA)، بهینه سازی سیستم صفحات شیبدار (IPO)، بهینه ساز مورچه گیر (ALO)، بهینه سازی آموزش و یادگیری (TLBO) و برای اولین بار از الگوریتم بهینه سازی بیوگرافی (BBO). در پژوهش حاضر، مساله شناسایی سیستم IIR به عنوان یک تابع بهینه سازی تک هدفه فرض شده و به ازای دو مدل IIR آزمایشی و چالشی برای مدل-سازی با مرتبه معادل و مرتبه کاهش یافته مورد ارزیابی قرار می گیرد. برای ارزیابی بازدهی و عملکرد الگوریتم ها، نتایج در قالب شاخص های ضریب موفقیت (IoS) و درجه اطمینان (DoR) همراه با میانگین مربع خطا (MSE) مورد بررسی قرار می گیرد. همچنین اثر کاهش عوامل جستجو بر روی عملکرد الگوریتم ها مورد تحلیل قرار می گیرد. برآورد کلی نتایج تصدیق اثربخشی شاخص های ارزیابی مفروض و عملکرد مطلوب روش های پیشنهادی به ویژه به ازای الگوریتم های PSO، IPO و BBO از جهت مشخصات همگرایی، میانگین زمان اجرا، متوسط مقادیر برازندگی MSE و شاخص های IoS و DoR؛ الگوریتم های GA و GSA از جهت همگرایی، زمان اجرا و DoR؛ روش DE به جهت زمان اجرا؛ الگوریتم ALO به جهت متوسط MSE و الگوریتم TLBO از جهت مشخصات همگرایی، میانگین IoS و درصد DoR را نشان می دهد