PSO با جهش انطباقی برای بهینه سازی چند حالته

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,113

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CESD01_015

تاریخ نمایه سازی: 25 اسفند 1392

چکیده مقاله:

یک الگوریتم جستجوی تصادفی مبتنی بر جمعیت می باشد که کارایی بهتری نسبت به بسیاری از معیارهای مسائل بهینه سازی دارد. مانند سایر الگوریتم های تصادفی Pso نیز در حل مسائل چند حالته پیچیده در مینیم محلی می افتد. برای رهایی از این مینیمم محلی این مقاله متغیر Pso جدیدی را با به کارگیری استراتژی جهش انطباقی معرفی می کند که mpso نامیده می شود. به منظور بررسی کارایی این متغیر، مجموعه ای از معیارهای چند حالته پیچیده که شناخته شده هستند، در آزمایشات مورد استفاده قرار گرفته است. نتایج شبیه سازی نشان می دهد که پیشنهاد استراتژی جهش می تواند به طور موثری باعث بهبود کارایی Pso شود. Pso

کلیدواژه ها:

PSO ، جهش انطباقی ، بهینه سازی چند حالته ، بهینه سازی جهانی

نویسندگان

رقیه حساوی

کارشناس علوم کامپیوتر، دانشکده ریاضی و کامپیوتر دانشگاه شهید چمران

مریم سلامات

کارشناس علوم کامپیوتر دانشکده ریاضی و کامپیوتر دانشگاه شهید چمران

شهلا ملک

کارشناس علوم کامپیوتر، دانشکده علوم ریاضی و کامپیوتر دانشگاه شهید چمران

فاطمه شریفی

کارشناس ارشد مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر دانشگاه صنعتی اصفهان

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 :
  • J.Kennedy, R.C. Eberhart, Particle SWarm optimization, in: Proceedings of IEEE ...
  • R. Poli, J. Kennedy, T. Blackwell, Particle SWarm optimization: an ...
  • J.J. Liang, A.K. Qin, P.N. Suganthan, S. Baskar, Comprehensive Learning ...
  • A. Stacy, M. jancic, I. Grundy, Particle SWarm optimization with ...
  • N. Higashi, H. Iba, Particle SWarm optimization with Gaussian mutation, ...
  • H.Wang, Y. Liu, C.H. li, S.Y. Zeng, Hybrid Particle SWarm ...
  • Y. Shi, R.C. Eberhart, A modified Particle SWarm optimizer, in: ...
  • J.Kennedy, R.Mendes, Population structure and Particle SWarm performance, in: Proceedings ...
  • D. Bratton, J. Kennedy, Defining a standard for particle SWarm ...
  • N. Cruz-Cortes, D. Trejo-Perez, C.A. Coello, Handing constraints in global ...
  • H. Wang, Y. Liu, S.Y. Zeng, H. Li, C.H. Li, ...
  • F. Van den Bergh, A.P. Engelbrecht, A cooperative approach to ...
  • Z. Zhan, J. Zhang, Y. Li, H. Chang, Adaptive particle ...
  • H. Wang, Y. Liu, Z. Wu, H. Sun, S. Zeng, ...
  • F.V. Bergh, An analysis of particle SWarm optimizers, Ph.D Thesis, ...
  • S. Garcia, F. Herrera, An extension on Statistical comparisons of ...
  • S. Garcia, D. Molina, M. Lozano, F. Herrera, A study ...
  • R.S. Krohling, Gaussian particle SWarm with jumps, in: Proceedings of ...
  • نمایش کامل مراجع