مروری بر الگوریتم بهینه سازی انبوه ذرات (PSO) از ابتدا تا کنون

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 6,032

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CESD01_248

تاریخ نمایه سازی: 25 اسفند 1392

چکیده مقاله:

بهینه سازی انبوه ذرات( PSO ) یک بهینه سازی احتمالی است. الگوریتمی تکاملی و شبیه سازی شده که از رفتار انسان ها و حیوان ها نتیجه گیری شدهاست. ویژ گی بخصوص این الگوریتم( PSO )این است که به طور مستقیم در فضای پیوسته اعداد حقیقی اجرا می شود و همچنین برخلاف دیگر الگوریتم ها وجود یک جواب معین را تضمین نمی کند. PSO به تعداد پارامتر های کمی برای تنظیم نیاز دارد که براحتی قابل پیاده سازی است و مشخصه های خاصی از حافظه دارد. این مقاله مروری کامل بر مفاهیم، پیشرفت ها و بهینه سازی الگوریتم PSO دارد. در این مقاله ابتدا درباره مفاهیم الگوریتم سپس پیشرفت آن بحث شده است و سپس به توضیح بهینه سازی آن با فرض لختی وزن و عوامل فشارهای وارد بر ذره می پردازیم. این موضوع به استاندارد سازی پارامتر محیط دینامیک، ایستایی و حالت ترکیبی وابسته است و همچنین مروری سریع بر کاربردهای PSO در فوتو والتیک خورشیدی دارد.

کلیدواژه ها:

بهینه سازی انبوه ذرات (PSO) ، کاهش وزن خطی

نویسندگان

فاطمه شریفی

کارشناسی ارشد مهندسی کامپیوتر دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان

حسین روحی زاده

کارشناسی علوم کامپیوتر، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران

علیرضا قنواتی

کارشناسی علوم کامپیوتر، دانشکده علوم ریاضی و کامپیوتر دانشگاه شهید چمران

علیرضا آبشین

کارشناسی علوم کامپیوتر دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران

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 :
  • M. Azab, Optimal power point tracking for stand-alone Pک system ...
  • J. Kennedy, R. Eberhart, Particle SWarm optimization, in: Proceedings of ...
  • X. Jie, X. Deyun, New metropolis coefficients of particle SWarm ...
  • J. Wei, L. Guangbin, L. Dong, Elite particle SWarm optimizaion ...
  • R. Eberhart, A new optimizer using particle swarm theory, in: ...
  • K. Yasada, N. Iwasaki, Adaptive particle sWarm optimization using velocity ...
  • R.C. Eberhart, Y. Shi, Particle SWarm optimization: developments application and ...
  • _ Clerc, The swarm and the queen: towards a deterministc ...
  • Y. Shi, R.C. Eberhart, Parameter selection in particle SWarm optimization, ...
  • Z.X. Hou, Wiener model identification based _ adaptive particle SWarm ...
  • A. Stacey, M. Jancic, I. Grundy, Particle SWarm optimization with ...
  • J. Li, X. Xiao, Multi SWarm and multi best particle ...
  • M.G. Epitropakis, V.P. Plagianakos, M.N. Vrahatis, Evolving cognitive and social ...
  • K.E. Parsopoulos, M.N. Vrahatis, Particle SWarm optimization method for constrained ...
  • Z. Huang, Y. Wang, C. Yang, C. Wu, A new ...
  • T. Ray, K.M. Liew, A swarm with an effective information ...
  • J. Kennedy, R. Eberhart, A discrete binary version of particle ...
  • J. Liu, X. Fan, The analysis and improvement of binary ...
  • X. Jun, H. Chang, The discrete binary version of the ...
  • L. Zhen, L. Wang, X. Wang, L. Zhen, Z. Huang, ...
  • R.-J. Wai, S. Cheng, Y.-C. Chen, 6th IEEE on Industrial ...
  • B. Zhang, Y. Yang, L. Gan, Dynamic control of wind/photovo ...
  • L. Wang, C. Singh, Compromise between cost and reliability in ...
  • R. Belfkira, O. Haji, C. Nichita, G. Barakat, Optimal sizing ...
  • S. Akshat Kumar, B. Prabodh, Swarm intelligence based optimal sizing ...
  • M. Bashir, J. Sadeh, Size optimization of new hybrid stand-alone ...
  • B. Tudu, S. Majumder, K.K. Mandal, N. Chakraborty, Comparative Performance ...
  • J.-H. Koh, H. Song, B. Choi, Optimal Allocation Problem of ...
  • M.K. Alam, F.H. Khan, A.S. Imtiaz, An efficient power electronics ...
  • نمایش کامل مراجع