الگوریتم بهینه سازی گروه ذرات دو مرحلهای

در این مقاله روشی جدید مبتنی بر هوش جمعی برای حل مسائل بهینه سازی ارائه می شود. روش پیشنهادی, با استفاده از دو مرحله تحرک و همگرایی جمعیت, به نتایج جالبی در انواع توابع می رسد. در این روش جمعیت اولیه ذرات مقداردهی شده و سپس این ذرات در هر مرحله ابتدا خود را از نواحی نامناسب دور کرده و پس از آن به نواحی مناسب مهاجرت می کنند و در نهایت در این نواحی سعی در نزدیک شدن به نقاط بهینه را دارند. ویژگی الگوریتم، نتیجه گرفتن در توابع با ابعاد بالا و همچنین توابع دارای اکسترمم های محلی زیاد است. حرکت در جهت دور شدن از نواحی نامناسب، باعث می شود تا الگوریتم در مواجه با مسائل با ابعاد بسیار بزرگ و نیز مسائلی که در آنها جمعیت دارای توزیع اولیه نامناسبی است نیز به خوبی عمل کرده و نتایج مناسبی از خود نشان دهد. پراکندگی نامناسب جمعیت اولیه, در الگوریتم بهینه سازی گروه ذرات تاثیر منفی دارد. این الگوریتم با مهاجرت کلی ذرات به سمت فضای مناسب، به نقاط بهینه همگرا می شود. در انتها ضمن آزمودن روش پیشنهادی بر روی چند تابع محک شناخته شده و مقایسه با الگوریتم بهینه سازی گروه ذرات مشاهده می شود که روش پیشنهادی به نتایج بهتری می رسد.

کلیدواژه ها:

بهینه سازی ، هوش جمعی ، بهینه سازی گروه ذرات ، توابع با ابعاد بالا ، اکسترمم محلی ، فضا ی جستجو ، پراکندگی اولیه