Stochastic Particle Swarm Optimization and its variants for Multimodal Function Optimization
محل انتشار: دومین کنگره مشترک سیستمهای فازی و هوشمند ایران
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,052
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
FJCFIS02_034
تاریخ نمایه سازی: 26 تیر 1392
چکیده مقاله:
The particle swarm optimization (PSO) is a stochastic, population-based optimization algorithm. The PSO can be applied to the wide range of engineeringfields. This work presents an improved particle swarm optimization using the stochastic local search concept (SPSO), employing dynamic inertia weight tosignificantly improve the performance of basic PSO algorithm. Under this method, to balance between exploration and exploitation, at each iteration step, a blob is associated with each candidate particle, and a local exploration performed in this blob. The stochasticlocal search encourages the particle to explore this blob beyond that defined by the search algorithm to achieve better solution. Over the successive iterations, the blobsize dynamically decreases. To further improve performance of the proposed approach a non-linear dynamic inertia weight introduced. SPSO variations tested on a commonly used set of multimodal functions. Experimental results show that SPSO is effective androbust, and outperforms other algorithms investigated in this consideration
کلیدواژه ها:
نویسندگان
Reza Akbari
Department of Computer Science and Engineering, Shiraz University
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 :