مروری بر الگوریتم بهینه سازی ازدحام ذرات و کاربردها

الگوریتم بهینه سازی ازدحام ذرات یکی از روش های بهینه سازی مبتنی بر هوش جمعی است که برای حل مسائل بهینه سازی جهانی توسعه یافته است. این الگوریتم با الهام از رفتار اجتماعی گروه هایی مانند پرندگان یا ماهی ها طراحی شده و با بهره گیری از تعاملات بین ذرات، فضای جستجو را برای یافتن بهترین راه حل کاوش می کند. به دلیل سادگی، نیاز کم به حافظه، و عملکرد محاسباتی بالا، این روش در حل مسائل پیچیده غیرخطی و برنامه ریزی بهینه سازی کاربرد گسترده ای یافته است. با این حال، چالش هایی مانند همگرایی زودرس و حساسیت به تنظیم پارامترها از محدودیت های این الگوریتم به شمار می روند. در سال های اخیر، نسخه های مختلفی از این الگوریتم با اصلاح قوانین به روزرسانی، تنظیم پارامترها، و ترکیب با سایر روش ها برای بهبود عملکرد توسعه یافته اند. این مقاله مروری بر مطالعات انجام شده در بازه زمانی ۷۱۰۲ تا ۴۲۰۲ ارائه می دهد و کاربردهای الگوریتم بهینه سازی ازدحام ذرات را در حوزه های مختلف از جمله یادگیری فدرالی، شبکه های عصبی، انتخاب ویژگی، خوشه بندی داده ها و برنامه ریزی مسیر ربات ها بررسی می کند. همچنین، روش های بهبودیافته این الگوریتم و کاربردهای آن تحلیل شده و پیشنهادهایی برای تحقیقات آینده مطرح می شود.

کلیدواژه ها:

ازدحام ذرات ، هوش گروهی ، انتخاب ویژگی ، مسائل بهینه سازی ، شبکه های عصبی ، خوشه بندی داده ها ، ربات های متحرک ، یادگیری فدرالی