بهبود الگوریتم بهینه ساز جستجوی گروهی (GSO) با تنظیم حداکثر فاصله تعقیب

improvement gso algorithm 1595 بهبود الگوریتم بهینه ساز جستجوی گروهی (GSO) با تنظیم حداکثر فاصله تعقیب

بهبود الگوریتم بهینه ساز جستجوی گروهی (GSO)

در این بخش مقاله بهبود الگوریتم بهینه ساز جستجوی گروهی (GSO) با تنظیم هوشمند حداکثر فاصله تعقیب را به صورت رایگان به زبان فارسی و به صورت PDF برای دانلود قرار دادیم که توسط سهیلا عابدینی از دانشگاه صنعتی امیرکبیر در سال ۱۳۹۳ نگارش شده است. در ادامه به معرفی الگوریتم بهینه ساز جستجوی گروهی پرداخته و به توضیحاتی از روند بهبود این الگوریتم می پردازیم و در انتها نیز مقاله برای دانلود قرار داده شده است.

چکیده مقاله

در مقاله پیش رو قصد معرفی و بهینه سازی یکی از الگوریتم های تکاملی (EA) الهام گرفته شده از طبیعت می پردازیم که بهینه ساز جستجوی گروهی (GSO) نام دارد که از عملکرد جستجوی حیوانات به منظور یافتن غذا تقلید می کند. چارچوب بکارگرفته شده در الگوریتم GSO مدل تولید کننده و برداشت کننده است. جهت پیاده سازی این مدل، در بهینه سازی گروه جستجو یک تکنیک پویش محیط با زوایای مختلف مورد استفاده قرار می گیرد.

عضو های الگوریتم GSO

  1. عضو تولیدکننده
  2. عضو برداشت کننده
  3. عضو تکاور

در الگوریتم بهینه ساز گروه جستجو، پارامتر حداکثر فاصله تعقیب دارای یک رابطه مستقیمی با طول قدم برداشته شده بوسیله عضو های تولید کننده می باشد. پارامتر فوق تاثیر مستقیمی در قدرت تولید کنندگی اعضای تولید کننده داراست. در مقاله حاضر، برای بهبود الگوریتم بهینه ساز جستجوی گروهی پارامتر حداکثر فاصله تعقیب به طور تطبیقی تنظیم گردیده و رویکرد تطبیقی نوینی، به کمک نرخ موفقیت جمعیت به جهت بازخورد، پارامتر حداکثر فاصله تعقیب را تنظیم می نماید.

آنالیز مستقیم الگوریتم GSO

با هدف آنالیز مستقیم بهینه سازی گروه جستجو، الگوریتم GSO روی مجموعه ای غنی از تابع های بهینه سازی که از مسائل دنیای واقعی الهام می گیرند، مورد ارزیابی قرار گرفته است. تابع های محک، دو نوع کلی از مسائل تک قله ای و چندقله ای را شامل می شوند. ما ارزیابی ها را در دو مقیاس ۳۰ بُعد و ۳۰۰ بُعد انجام دادیم که نتایج به دست آمده از آزمایش ها نشان از این دارد که مکانیسم پویش محیط الگوریتم بهینه ساز جستجوی گروهی تابع های محک تک قله ای ۳۰ بُعدی را به آسانی، تابع های محک چند قله ای ۳۰ بُعدی را با دقت بسیار زیاد و تابع های محک ۳۰۰ بُعدی را نیز با سرعت بالا بهبود می بخشد که عنوان این روش جدید را الگوریتم ADGSO نامیدیم.


مشاهده ویدئو در این باره

خوشحال خواهیم شد اگر نظر خودتون رو درباره این مطلب ثبت کنید

خطا!دکمه ریفریش را بزنید