بهینه‌سازی ازدحام ذرات به‌روش مدل مخلوط گوسی در محیط پویا

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 376

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TJEE-50-2_035

تاریخ نمایه سازی: 4 آذر 1399

چکیده مقاله:

بسیاری از مسائل در دنیای واقعی به‌صورت یک مسئله بهینه‌سازی با ماهیتی پویا هستند به‌عبارتی بهینه‌های سراسری و محلی در طول زمان تغییر می‌کنند؛ از این‌رو در این محیط‌ها نیاز به الگوریتم‌های بهینه‌سازی است که علیرغم پیداکردن بهینه سراسری، بتواند بهینه‌های در حال تغییر را در طول زمان دنبال کند. دو مشکل طراحی الگوریتم بهینه‌سازی ازدحام ذرات برای محیط‌های پویا، به‌منظور داشتن قابلیت‌های پیداکردن راه‌حل بهینه در زمان کوتاه و پیگیری راه‌حل بعد از تغییرات محیطی عبارت‌اند از: حافظه منسوخ‌شده و از دست‌دادن تنوع جمعیت در فضای جستجو. مشکل از دست‌دادن تنوع جمعیت یکی از چالش‌های اصلی در محیط‌های پویا می‌باشد، زیرا متنوع‌سازی یک گروه همگراشده برای یافتن بهینه متحرک و سپس همگرایی مجدد آن به بهینه جدید، شدیداً کارایی الگوریتم را کاهش می‌دهد. با توجه به چالش‌های مطرح‌شده در این مقاله الگوریتم ترکیبی بهینه‌سازی ازدحام ذرات مبتنی‌بر مدل مخلوط گوسی پیشنهاد شده است. در روش پیشنهادی تغییر هر ذره براساس برآیند بهترین ذرات در هر خوشه متناسب با تعلق ذره به هر خوشه تغییر خواهد کرد. نتایج حاصل از آزمایشات روی محیط پویای قله‌های متحرک عملکرد بهتر الگوریتم پیشنهادی نسبت به سایر الگوریتم‌ها را نشان می‌دهد.

کلیدواژه ها:

نویسندگان

نرگس میرزائیان

گروه مهندسی کامپیوتر- دانشکده فنی و مهندسی- واحد شهرکرد- دانشگاه آزاد اسلامی-

بهزاد زمانی دهکردی

گروه مهندسی کامپیوتر- دانشکده فنی و مهندسی- واحد شهرکرد- دانشگاه آزاد اسلامی

فرشاد کیومرثی

گروه مهندسی کامپیوتر- دانشکده فنی و مهندسی- واحد شهرکرد- دانشگاه آزاد اسلامی

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 :
  • [1]      J. K. Kazemi, A. Rezvanian and M. R. A. ...
  • [2]      I. Zahid, W. Shahzad and M. Faiza, “A diverse ...
  • [3]      A. Sharifi, K. Kazemi, M. J. Mahdaviani and M. ...
  • [4]      S. Sadeghi, H. Parvin and F. Rad, “Particle swarm ...
  • [5]      B. Frohlich, M. Enzweiler and U. Franke, “Will this ...
  • [6]      A. Kaveh, Particle swarm optimization, Book chapter of Advances ...
  • [7]      B. Xue, M. Zhang and W. N. Browne, “Multi-objective ...
  • [8]      E. Vellasques, R.Sabourin and E. Granger, “Gaussian mixture modeling ...
  • [9]      سعید اباذری، امید مرادی، «بهبود میرایی نوسانات سیستم قدرت ...
  • [10]      X. Hu and R. C. Eberhart, “Adaptive particle swarm ...
  • [11]      الهام شکرانی‌پور، امیرمسعود افتخاری‌مقدم، «ACPSO: یک الگوریتم جدید بهینه‌سازی ...
  • [12]      Y. Shengxiang, “Genetic algorithms with memory-and elitism-based immigrants in ...
  • [13]      T. M. Blackwell and P. J. Bentley, “Don't push ...
  • [14]      T. M. Blackwell and P. J. Bentley, “Dynamic search ...
  • [15]      S. Janson and M. Middendorf, “A hierarchical particle swarm ...
  • [16]      H. Wang, D. Wang and S. Yang, “Triggered memory-based ...
  • [17]      T. Blackwell and J. Branke, “Multi- swarms, exclusion, and ...
  • [18]      T. Blackwell, J. Branke and X. Li, “Particle swarms ...
  • [19]      M. Kamosi, A. B. Hashemi and M. R. Meybodi, ...
  • [20]      D. Yazdani, B. Nasiri, A. Sepas-Moghaddam and M. R.Meybodi, ...
  • [21]      A. Hashemi and M. R. Meybodi, “Cellular PSO: A ...
  • [22]      C. Li and S. Yang, “Fast multi-swarm optimization for ...
  • [23]      L. Liu, S. Yang and D. Wang, “Particle swarm ...
  • [24]      U. Halder, S. Das and D. Maity, “A cluster-based ...
  • [25]      T. T. Nguyen, S. Yang and J. Branke, “Evolutionary ...
  •   [26]      سجاد هواسی، محمدرضا میبدی، سمانه رحیمی، «یک الگوریتم ...
  • [27]      J. Kennedy, “Stereotyping: Improving particle swarm performance with cluster ...
  • [28]      R. Brits, A. P. Engelbrecht and F. Van den ...
  • [29]      A. W. Moore, Clustering with gaussian mixtures, School of ...
  • [30]      D. Reynolds, “Gaussian mixture models,” Encyclopedia of biometrics, pp. ...
  • [31]      N. Shental, A. Bar-Hillel, T. Hertz and D. Weinshall, ...
  • [32]      A. P. Dempster, N. M. Laird and D. B. ...
  • [33]      C. Li, S. Yang and M. Yang, “An adaptive ...
  • [34]      C. Li, T. T. Nguyen, M. Yang, S. Yang ...
  • [35]      J. Branke, The moving peaks benchmark, 1999, URL.www.aifb.uni-karlsruhe.de/~jbr/MovPeaks/movpeaks.   ...
  • [36]      B. Nasiri, M. R. Meybodi and M. M. Ebadzadeh, ...
  • [37]      M. Kamosi, A. B. Hashemi and M. R. Meybodi, ...
  • [38]      I. Rezazadeh, M. R.  Meybodi and A. Naebi, “Adaptive ...
  • [39]      B. Nasiri and M. R. Meybodi, “Speciation based firefly ...
  • [40]      R. I. Lung and D. Dumitrescu, “Acollaborative model for ...
  • [41]      V. Noroozi, A. B. Hashemi and M. R. Meybodi, ...
  • [42]      M. C. Du Plessis and A. P. Engelbrecht, “Differential ...
  • [43]      S. Kundu, D. Basu and S. S. Chaudhuri, “Multipopulation-based ...
  • [44]      R. Mukherjee, G. R. Patra, R. Kundu and S. ...
  • [45]      N. Baktash and M. R. Meybodi, “A new hybrid ...
  • [46]      D. Yazdani, B. Nasiri, R. Azizi, A. Sepas-Moghaddam and ...
  • [47]      D. Yazdani, B. Nasiri, A. Sepas-Moghaddam, M. R. Meybodi ...
  •   [48]      طیبه طاهری، بابک نصیری، محمدرضا میبدی، «یک الگوریتم ...
  • [49]      J. J. Verbeek, N. Vlassis and B. Kröse, “Efficient ...
  • [50]      N. Iqbal, A. Zerguine and N. Al-Dhahir, “Decision feedback ...
  • نمایش کامل مراجع