بهینه ساز ترکیبی ازدحام ذرات با ضرایب شتاب سینوس کسینوس

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بهینه ساز ترکیبی ازدحام ذرات با ضرایب شتاب سینوس کسینوس

عنوان لاتین

A Hybrid Particle Swarm Optimizer with Sine Cosine Acceleration Coefficients

بهینه سازی ازدحام ذرات (PSO) به خاطر سادگی پیاده سازی و سربار محاسباتی معقول بطور گسترده ای برای حل فعالیت های پیچیده ی بهینه سازی کلی مورد استفاده قرار گرفته است. با این حال، PSO دارای همگرایی زودتر از موعد می باشد، به راحتی در راه حل بهینه ی محلی گیر افتاده و در متعادل سازی بررسی و بهره برداری، بویژه در توابع پیچیده ی جستجوی چند-اوج غیر موثر می باشد. برای غلبه بر ایرادات PSO، یک بهینه ساز ترکیبی ازدحام ذره با ضرایب شتاب سینوس کسینوس (H-PSO-SCAC) برای حل این مسائل پیشنهاد شده است. این بهینه ساز با اعمال دوازده مسئله ی بهینه سایز عددی تأیید شده است. در H-PSO-SCAC، ما این بهینه سازی ها را انجام می دهیم: ابتدا، ما ضرایب شتاب سینوس کسینوس (SCAC) را برای کنترل موثر جستجوی محلی و همگرایی به راه حل بهینه ی کلی اضافه می کنیم. سپس، یادگیری مبتنی بر تناقض (OBL) برای مقداردهی جمعیت به کار گرفته می شود. بعلاوه، ما از یک نقشه ی سینوسی برای تطبیق وزن اینرسی ω استفاده می کنیم. در نهایت، ما یک فرمول اصلاح شده ی به روز رسانی مکان مطرح می کنیم. نتایج تجربی نشان می دهند که در اکثر موارد، روش H-PSO-SCAC قادر به حل موثر توابع بهینه سازی عددی بوده و بر الگوریتم های مشابه مبتنی بر جمعیت موجود و متغیرهای PSO مطرح شده در سال های اخیر برتری دارد. در نتیجه، الگوریتم H-PSO-SCAC با موفقیت بعنوان یک استراتژی بهینه سازی نوین به کار گرفته شده است.

Particle swarm optimization (PSO) has been widely used to solve complex global optimization tasks due to its implementation simplicity and inexpensive computational overhead. However, PSO has premature convergence, is easily trapped in the local optimum solution and is ineffective in balancing exploration and exploitation, especially in complex multi-peak search functions. To overcome the shortcomings of PSO, a hybrid particle swarm optimizer with sine cosine acceleration coefficients (H-PSO-SCAC) is proposed to solve these problems. It is verified by the application of twelve numerical optimization problems. In H-PSO-SCAC, we make the following improvements: First, we introduce sine cosine acceleration coefficients (SCAC) to efficiently control the local search and convergence to the global optimum solution. Second, opposition-based learning (OBL) is adopted to initialize the population. Additionally, we utilize a sine map to adjust the inertia weight č . Finally, we propose a modified position update formula. Experimental results show that, in the majority of cases, the H-PSO-SCAC approach is capable of efficiently solving numerical optimization tasks and outperforms the existing similar population-based algorithms and PSO variants proposed in recent years. Therefore, the H-PSO-SCAC algorithm is successfully employed as a novel optimization strategy.