ورود
مقالات فارسیISIکنفرانسهاژورنالها

الگوریتم بهینه سازی فرا ابتکاری ترکیبی PSDE

محل انتشار: دومین کنفرانس ملی رویکردهای نوین در مهندسی کامپیوتر و برق
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,077

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/522563

شناسه ملی سند علمی:

BPJ02_067

تاریخ نمایه سازی: 11 آبان 1395

چکیده مقاله:

برای مسائل دشوار بهینه سازی که روش مشخصی برای آنها وجود ندارد، الگوریتم های بهینه سازی فرا ابتکاری روشی شناخته شده و بسیار گسترده به حساب می آیند و در سال های اخیر به دلیل کاربرد گسترده ی الگوریتم های فرا ابتکاری به منظور دستیابی به دقت بالاتر و کارایی بیشتر، الگوریتم ها را به صورت ترکیبی مورد استفاده قرار داده اند و ما نیز در این مقاله سعی داریم که الگوریتم بهینه سازی ترکیبی PSDE رامعرفی کنیم، همانطور که از اسم این الگوریتم مشخص است از ترکیب دو الگوریتم بهینه سازی فراابتکاری ازدحام ذرات ( PS ) و تکامل تفاضلی ( DE ) و ایجاد تغییراتی در آنها به وجود آمده است. در این مقاله ضمن معرفی الگوریتم بهینه سازی PSDE ، عملکرد این الگوریتم را در مقایسه با الگوریتم بهینه سازی ازدحام ذرات و همچنین الگوریتم تکامل تفاضلی که به نوعی از عناصر تشکیل دهنده ی این الگوریتم به حساب می آیند، به سنجش گذاشتیم و نتیجه این سنجش ها در برخی از موارد، دقت بیش از 10223 برابری الگوریتم PSDEO را نسبت به الگوریتم های مقابل، به دست داد.

کلیدواژه ها:

الگوریتم بهینه سازی ترکیبی ، بهینه سازی فرا ابتکاری مبتنی بر جمعیت ، PSDEO ، DE ، PSO

نویسندگان

محمد رسول کهریزی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه رازی کرمانشاه،

محمد صالح کهریزی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی، دانشگاه آزاد اسلامی واحد تهران غرب،

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • معرفی این الگوریتم و تحلیل آن، مقایسه‌ای هم با الگوریتم‌های ...
  • عادلانه‌تری بر مقایسه‌ها اعمال کرده باشیم، مانند عدم تغییر در ...
  • optimization: A survey. Applied Soft Computing, 2011. 11(6): p. 4135-4151. ...
  • Boussaid, I., J. Lepagnot, and P. Siarry, A survey on ...
  • Blum, C. and A. Roli, M etaheuristics in combinatorial optimization: ...
  • Computing: an international journal, 2009. 8(2): p. 239- 287. ...
  • Talbi, E.-G., Meta heuristics: from design to im plementation. Vol. ...
  • Birattari, M., et al., Classification of Meta heuristics and Design ...
  • Storn, R. and K. Price, Differential evolution-a simple and efficient ...
  • evolution: a survey of the state-of-the-a r, in Advances in ...
  • Angeline, P.. Evolutionary optimization versus particle _ optimization: Philosophy and ...
  • evolution: a practical approach to global optimization. 2006: Springer Science ...
  • Karc, A., Imitation of bee reproduction as a crossove in ...
  • Brest, J. and M.S. Maucec, Self-adaptive differential and three strategies. ...
  • Teng, N.S., J. Teo, and M.H.A. Hijazi, Self-adaptive population sizing ...
  • Liu, J. and J. Lampinen, A fuzzy adaptive differential evolution ...
  • Eberhart, R.C. and J. Kennedy. A new optimizer using particle ...
  • Kennedy, J., et al., Swarm intelligence. 2001: Morgan Kaufmann. ...
  • Kennedy, J. and R. Mendes, Population structure and particle swarm ...
  • Gilci, S. and H. Kodaz, A novel parallel multi-swarm algorithm ...
  • Shi, Y. and R. Eberhart. A modified particle _ optimizer. ...
  • Shi, Y. and R.C. Eberhart. Empirical study of particle swarm ...
  • Clerc, M. and . Kennedy, The particle swa rm-explosion, stability, ...
  • Ozcan, E. and C.K. Mohan. Particle swarm optimization: surfing the ...
  • Van den Bergh, F. and A.P. Engelbrecht, A study of ...
  • Kennedy, J. and R.C. Eberhart. A discrete binary version of ...
  • Blackwell, T., Particle swarm optimization in dynamic environments, in Evolutionary ...
  • Banks, A., J. Vincent, and C. Anyakoha, A review of ...
  • Reyes-Sierra, M. and C.C. Coello, Multi-objective particle swarm optimizers: A ...
  • Ling, S.H., et al., Quality and robustness improvement for real ...
  • Valdez, F., P. Melin, and O. Castillo, An improved evolutionary ...
  • ldoumghar, L., et al., Hybrid PSO-SA type algorithms for multimodal ...
  • Computational Intelligence and Soft Computing, 2011. 2011: p. 3. ...
  • El Dor, A., M. Clerc, and P. Siarry, Hybridization of ...
  • Poli, R., Analysis of the publications _ the applications of ...
  • Poli, R., J. Kennedy, and T. Blackwell, Particle swarm optimization. ...
  • Thangaraj, R., et al., Particle swarm optimization: experimental ...
  • illustrations. Applied Mathematics and Computation, 2011. 217(12): p. 5208-5226. ...
  • Castillo, O. and P. Melin, Optimization of type-2 fuzzy systems ...
  • Banks, A., J. Vincent, and C. Anyakoha, A review of ...
  • optimization, and indicative applications. Natural Computing, 2008. 7(1): p. 109-124. ...
  • Pant, M., R. Thangaraj, and A. Abraham, Particle swarm optimization: ...
  • Haykin, S., Neural Networks A Com prehensive Foundation. second ed. ...
    • نمایش کامل مراجع