چکیده
بهینهسازی ازدحام ذرات (PSO) بهصورت گسترده برای حل مسائل بهینهسازی سرتاسری پیچیده به خاطر پیادهسازی آسان و روند محاسباتی غیر پیچیده استفاده میشود. اما، PSO در همگرایی مشکل دارد و در تله نقاط بهینه محلی گیر افتاده و در ایجاد تعادل بین پروسههای اکتشاف و استخراج بهخصوص در توابع جستجوی پیچیده که داری چندین نقطه پیک هستند، ناتوان است. بهمنظور غلبه بر این مشکلات، یک روش بهینهسازی ازدحام ذرات هیبرید با ضرایب شتاب سینوس کسینوسی (H-PSO-SCAC) بهمنظور حل اینگونه مسائل پیشنهاد میشود. این روش روی دوازده مسئله بهینهسازی عددی تست شده است. در H-PSO-SCAC تغییرات زیر رخ داده است: ابتدا، ضرایب شتاب سینوس کسینوسی (SCAC) بهمنظور کنترل مؤثر جستجوی محلی و همگرایی به پاسخ بهینه سرتاسری معرفی میشود. دوم، یادگیری مبتنی بر تناقض (OBL) بهمنظور مقداردهی جمعیت استفاده شده است. علاوه بر این، از یک نگاشت سینوسی بهمنظور تنظیم مقدار وزنی اولیه w استفاده شده است. در نهایت، یک فرمول بهروزرسانی موقعیت اصلاح شده استفاده شده است. نتایج عملی نشان میدهد که در بیشتر موارد، روش H-PSO-SCAC قادر است که بهصورت مؤثری اهداف بهینهسازی عددی را حل نموده و الگوریتمهای مشابه مبتنی بر جمعیت و نیز روشهای PSO ی مختلف ارائه شده در این سالها را نیز بهبود دهد. بنابراین، الگوریتم H-PSO-SCAC بهعنوان یک استراتژی بهینهسازی جدید به کار میرود.
1-مقدمه
با افزایش سطح صنعتی سازی و نیز توسعه فناوری هوش مصنوعی، روشهای بهینهسازی تصادفی [3و11] توجه زیادی را از طرف کارکنان صنعتی و نیز مدیران طی دو دهه اخیر به خود جلب کرده است. بهینهسازی در واقع پروسه جستجوی تمامی پاسخهای معقول بهمنظور تعیین پاسخ بهینه بر اساس پارامترهای سیستم مشخص و مینیمم سازی و یا ماکزیمم سازی خروجی آن است [30]. اهداف بهینهسازی بهصورت متوالی در حوزههای علوم مختلف نظیر طراحی مهندسی [4]، شیمی [114]، اقتصاد [31]، تشخیص الگو [40] و تئوری اطلاعات [48] مورد استفاده قرار میگیرد. در سالهای اخیر، افزایش تعداد مسائل بهینهسازی پیچیده مشهود است. حل این مسائل بهینهسازی با اتکا به الگوریتمهای بهینهسازی سنتی، دشوار است. بنابراین، لازم است که الگوریتمهای بهینهسازی جدیدی پیشنهاد شود....
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید