الگوریتم بهینه سازی فرا ابتکاری ازدحام ذرات چندگانه ( MPSO )

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,406

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:

BPJ02_058

تاریخ نمایه سازی: 11 آبان 1395

چکیده مقاله:

الگوریتم های بهینه سازی فرا ابتکاری روشی شناخته شده و بسیار گسترده برای مسائل دشوار بهینه سازی، به حساب می آیند. در این مقاله، الگوریتم بهینه سازی فرا ابتکاری ازدحام ذرات چندگانه، که گونه ای تغییر یافته از الگوریتم ازدحام ذرات می باشد را معرفی خواهیم کرد که به منظور بهبود عملکرد الگوریتم بهینه سازی ازدحام ذرات اولیه، تغییراتی به آن اضافه شده است. در این مقاله ضمن معرفی الگوریتم بهینه سازی ازدحام ذرات چندگانه ( MPSO )، عملکرد این الگوریتم را با الگوریتم بهینه سازی ازدحام ذرات معمولی و الگوریتم تکامل تفضلی بر روی توابع سنجش و هم چنین در یک مورد عملی مقایسه کرده ایم و نتیجه ی مقایسه در برخی موارد، نشان دهنده ی دقتی بیش از 10203 برابر نسبت به الگوریتم مقابل بوده است.

کلیدواژه ها:

الگوریتم بهینه سازی فرا ابتکاری ، فرا ابتکاری مبتنی بر جمعیت ، ازدحام ذرات چندگانه ، MPSO ، PSO

نویسندگان

محمد رسول کهریزی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه رازی کرمانشاه،

محمد صالح کهریزی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی، دانشگاه آزاد اسلامی واحد تهران غرب،

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 :
  • E.-G. Talbi, Metaheuristic, from design to implementation, John Wiley & ...
  • M. Birattari, L. Paquete, T. Strutzle, K. Varrentrapp, Classification of ...
  • _ Boussaid, J. Lepagnot, P. Siarry, A survey on optimization ...
  • _ _ _ (CSUR), 35 (2003) 268-308. ...
  • _ Bianchi, M. Dorigo, L.M. Gambardella, W.J. Gutjahr, A survey ...
  • _ _ _ micro machine and human science, New York, ...
  • J. Kennedy, J.F. Kennedy, R.C. Eberhart, Y. Shi, Swarm intelligence, ...
  • J. Kennedy, R. Mendes, Population structure and particle swarm performance, ...
  • _ Gilci, H. Kodaz, A novel parallel multi-swarm algorithm based ...
  • Y. Shi, R. Eberhart, A modified particle swarm optimizer, Evolutionary ...
  • _ _ _ _ Swarm optimization, Evolutionary Computation, 1999. CEC ...
  • waves, Evolutionary Computation, 1999. CEC 99. Proceedings of the 1999 ...
  • F. Van den Bergh, A.P. Engelbrecht, A study of particle ...
  • _ _ _ _ Computational Cybermetics and Simulation., 1997 IEEE ...
  • uncertain environments, Springer2007, pp. 29-49. ...
  • A. Banks, J. Vincent, C. Anyakoha, A review of particle ...
  • _ _ _ optimizers: A survey of the state-of-the-art, International ...
  • _ _ Quality and robustmes improvement for real world industrial ...
  • F. Valdez, P. Melin, O. Castillo, An improved evolutionary method ...
  • _ _ evolution and particle swarm optimization in a new ...
  • _ _ _ _ _ Applications, 2008 (2008) 3. ...
  • _ _ _ swarm ...
  • R. Thangaraj, M. Pant, A. Abraham, P. Bouvry, Particle swarm ...
  • _ _ _ and constrained optimization, and indicative applications, Natural ...
  • _ _ _ Computational Intelligence Volume 3, Springer2009, pp. 101-128. ...
  • R. Storn, K. Price, Differential evolution-a simple and efficient heuristic ...
  • E. Mezura-Monte, M. Reyes-Sierra, C.A.C. Coello, Multi- ...
  • P.J. Angeline, Evolutionary optimization versus particle swarm ...
  • K. Price, R.M. Storn, J.A. Lampinen, Differential evolution: a practical ...
  • S. Das, P.N. Suganthan, Differential evolution: a survey of the ...
  • A. Karct, Imitation of bee reproduction as a crossovef operator ...
  • Intelligence, Springer2004, pp. 1015-1016. ...
  • J. Brest, M.S. Maucec, Self-adaptive differential evolution _ _ on ...
  • _ _ _ evolution ...
  • S. Haykin, Neural Networks A Comprehensive Foundation, second ed., Pearson ...
  • نمایش کامل مراجع