الگوریتم بهینه سازی ازدحام ذرات بهبودیافته مبتنی بر یک کلاس نوین از استراتژی های ضرائب یادگیری کارآمد و سریع

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.