CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

الگوریتم بهینه سازی گروه ذرات دو مرحلهای

اعتبار موردنیاز : ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۹۱۵ | نظرات: ۰
سال انتشار: ۱۳۸۷
کد COI مقاله: ACCSI14_233
زبان مقاله: فارسی
حجم فایل: ۳۳۵.۱۸ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله الگوریتم بهینه سازی گروه ذرات دو مرحلهای

  حسام عمرانپور - دانشگاه صنعتی امیرکبیر, دانشکده کامپیوتر
  حمید طاهرپور - دانشگاه صنعتی امیرکبیر, دانشکده کامپیوتر
  محمد مهدی عبادزاده - دانشگاه صنعتی امیرکبیر, دانشکده کامپیوتر

چکیده مقاله:

در این مقاله روشی جدید مبتنی بر هوش جمعی برای حل مسائل بهینه سازی ارائه می شود. روش پیشنهادی, با استفاده از دو مرحله تحرک و همگرایی جمعیت, به نتایج جالبی در انواع توابع می رسد. در این روش جمعیت اولیه ذرات مقداردهی شده و سپس این ذرات در هر مرحله ابتدا خود را از نواحی نامناسب دور کرده و پس از آن به نواحی مناسب مهاجرت می کنند و در نهایت در این نواحی سعی در نزدیک شدن به نقاط بهینه را دارند. ویژگی الگوریتم، نتیجه گرفتن در توابع با ابعاد بالا و همچنین توابع دارای اکسترمم های محلی زیاد است. حرکت در جهت دور شدن از نواحی نامناسب، باعث می شود تا الگوریتم در مواجه با مسائل با ابعاد بسیار بزرگ و نیز مسائلی که در آنها جمعیت دارای توزیع اولیه نامناسبی است نیز به خوبی عمل کرده و نتایج مناسبی از خود نشان دهد. پراکندگی نامناسب جمعیت اولیه, در الگوریتم بهینه سازی گروه ذرات تاثیر منفی دارد. این الگوریتم با مهاجرت کلی ذرات به سمت فضای مناسب، به نقاط بهینه همگرا می شود. در انتها ضمن آزمودن روش پیشنهادی بر روی چند تابع محک
شناخته شده و مقایسه با الگوریتم بهینه سازی گروه ذرات مشاهده می شود که روش پیشنهادی به نتایج بهتری می رسد.

کلیدواژه‌ها:

بهینه سازی، هوش جمعی، بهینه سازی گروه ذرات، توابع با ابعاد بالا ، اکسترمم محلی، فضا ی جستجو ، پراکندگی اولیه

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ACCSI14-ACCSI14_233.html
کد COI مقاله: ACCSI14_233

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
عمرانپور, حسام؛ حمید طاهرپور و محمد مهدی عبادزاده، ۱۳۸۷، الگوریتم بهینه سازی گروه ذرات دو مرحلهای، چهاردهمین کنفرانس سالانه انجمن کامپیوتر ایران، تهران، انجمن کامپیوتر، دانشگاه صنعتی امیر کبیر، https://www.civilica.com/Paper-ACCSI14-ACCSI14_233.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (عمرانپور, حسام؛ حمید طاهرپور و محمد مهدی عبادزاده، ۱۳۸۷)
برای بار دوم به بعد: (عمرانپور؛ طاهرپور و عبادزاده، ۱۳۸۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Eberhart Russel C., Kennedy James, 00A new optimizer using particle ...
  • Kennedy James, Eberhart Russel C., 0Particle SWar optimization? , in ...
  • Shi Yuhui, Eberhart Russel C., _ modified particle SVarn optimizer', ...
  • Shi Yuhui, Eberhart Russel C., ،Parameter selection in particle SWarn ...
  • Shi Yuhui, Eberhart Russel C., ،Particle _ optimization with fuzzy ...
  • Ratnaweera Asanga, Halgamuge Saman K., Watson Harry C., _ _ ...
  • Fan Howard, Shi Yuhui., *Study On Vmax of particle SVarn ...
  • Kennedy James, 0;Small worlds and mega-minds: Effects of neighborhood topology ...
  • Kennedy James, Mendes Rodriguez, *Population structure and particle SWarn performance ...
  • Suganthan Ponnuthurai N., ،Particle SWan optimizer with neighborhood operator , ...
  • optimization using dynamic neighborhood particle SWarn optimization ', in Proc. ...
  • Parsopoulos Konstantinos E., Vrahatis Michael N., «UPSO--A unified particle SWarn ...
  • Mendes Rodriguez, Kennedy James, Neves J., *The fully informed particle ...
  • Beni Gerardo, Wang Jing, _ Intelligence in Cellular Robotic Systems ...
  • Dorigo M.., Optimization, Learning and Natural Algorithms, PhD thesis, Politecnico ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۸۹۶۳
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.