Abstract

In this paper, a new hybrid population-based algorithm (PSOGSA) is proposed with the combination of Particle Swarm Optimization (PSO) and Gravitational Search Algorithm (GSA). The main idea is to integrate the ability of exploitation in PSO with the ability of exploration in GSA to synthesize both algorithms' strength. Some benchmark test functions are used to compare the hybrid algorithm with both the standard PSO and GSA algorithms in evolving best solution. The results show the hybrid algorithm possesses a better capability to escape from local optimums with faster convergence than the standard PSO and GSA

چکیده

در این مقاله یک الگوریتم مبتنی بر جمعیت ترکیبی (PSOGSA) جدید پیشنهاد شده است که ترکیب شده‌ی الگوریتم بهینه سازی گروه ذرات (PSO) و الگوریتم جستجوی گرانشی (GSA) است. ایده‌ی اصلی، تجمیع توانایی کاوش در PSO و توانایی مرور در GSA برای ترکیب قدرت این دو الگوریتم است. برخی توابع تست محک برای مقایسه‌ی الگوریتم ترکیبی، و الگوریتم‌های GSA و PSO برای رسیدن بهترین پاسخ، بهینه شدند. نتایج نشان داد که الگوریتم ترکیبی، توانایی بالاتری در فرار از بهینه‌های محلی را داشته و سرعت همگرایی بالاتری نسبت به الگوریتم‌های استاندارد PSO و GSA دارد.

1-مقدمه

در سال‌های اخیر، الگوریتم‌های بهینه‌سازی تکاملی زیادی پیشنهاد شده‌اند. این الگوریتم‌ها شامل الگوریتم بهینه سازی گروه ذرات (PSO)، الگوریتم ژنتیک (GA)، تکامل تفاضلی (DE)، کلونی مورچه‌ها (AC)، و الگوریتم جستجوی گرانشی (GSA) است. هدف همه‌ی آن‌ها پیدا کردن بهترین خروجی (بهینه‌ی سراسری) در میان ورودی‌های ممکن می‌باشد....