تصحیح معایب الگوریتم MCPSO

بهینه سازی گروه ذرات یک تکنیک بهینه سازی مبتنی برجمعیت می باشد که براساس قوانین احتمال کارمی کند دراین روش هریک از ذرات سعی می کنند به سمتی حرکت کنند که بهترین تجربه های فردی و گروهی درآن نقاط روی داده است مشکلات اساسی الگوریتم PSO استاندارد افتادن دردام بهینگی محلی و پایین بودن سرعت همگرایی آن میباشد یکیاز روشهای حل مشکلات عنوان شده استفاده از روشهای چند دسته ای با مشارکتی می باشد دراین روشها چندین دسته برای پیدا کردن جواب مساله با هم همکاری می کنند درسالهای اخیر دو الگوریتم عمده برای روشهای مشارکتی ارایه شده است دراین الگوریتم وقتی جواب دسته های مختلف به جواب بهینه نزدیک باشد با تغییر بهترین جواب از یک دسته به دسته دیگر باعث واگرا شدن ذرات از جواب بهینه می شود. دراین مقاله با تقسیم فضای مساله به ناحیه های مستقل و انجام دومرحله جستجو با دسته های اصلی و پیرو اولا مشکل واگرا شدن ذرات را حلمی کنیم و ازطرف دیگر بهینه های محلی زیرفضاها را پیدا می کنیم برای اثبات برتری الگوریتم پیشنهادی در برابر الگوریتم MCPSO از توابع محک استاندارد استفاده می کنیم نتایج حاصل بیانگر برتری الگوریتم پیشنهادی نسبت به الگوریتم MCPSO می باشد.

کلیدواژه ها:

بهینه سازی گروه ذرات ، بهینه سازی گروه ذرات مشارکتی ، بهینگی محلی ، منطق فازی ، MCPSO وfpso1