ارائه یک الگوریتم نوین تکاملی بر پایه یادگیری پارمترها با استفاده از الگوریتم بهینه سازی تکاملی تفاضلی

در این پژوهش، هدف اصلی ارتقای مولفه های مبتنی بر یادگیری فردی و تعامل جمعی در چارچوب الگوریتم اجتماع ذرات است. روش های بهینه سازی در حوزه های گوناگون مهندسی به کار گرفته می شوند، به ویژه در مسائلی که مدل سازی ریاضی دقیق و قابل اتکا برای آن ها در دسترس نیست. الگوریتم اجتماع ذرات یکی از رویکردهای شناخته شده در میان این روش ها به شمار می آید که به دلیل بهره گیری هم زمان از حافظه تجربی هر ذره و تاثیرپذیری از رفتار جمعی، کاربرد گسترده ای دارد. در راستای بهبود کارایی این الگوریتم، در کار حاضر از یک رویکرد مبتنی بر تکامل تفاضلی برای تنظیم مولفه مربوط به یادگیری فردی استفاده شده است. این تنظیم به طور غیرمستقیم بر بخش تعاملات گروهی نیز اثرگذار بوده و باعث تقویت رفتار جمعی در فرایند جستجو می شود. بنابراین، چارچوب پیشنهادی را می توان ترکیبی از الگوریتم اجتماع ذرات و الگوریتم تکامل تفاضلی در نظر گرفت. در نهایت، عملکرد روش ارائه شده در کنار نسخه کلاسیک الگوریتم اجتماع ذرات، بر روی مجموعه ای شامل بیست تابع استاندارد محک مورد ارزیابی قرار گرفته است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در اغلب موارد دقت و کیفیت همگرایی بالاتری نسبت به نسخه پایه الگوریتم از خود نشان می دهد.

کلیدواژه ها:

الگوریتم های تکاملی ، یادگیری پارامترها ، توابع آزمون استاندارد ، بهینه سازی اجتماع ذرات ، بهینه سازی تکامل تفاضلی