ارائه یک الگوریتم چندجمعیتی مبتنی بر ازدحام ذرات برای حل مسائل بهینهسازی پویا
نویسندگان
چکیده مقاله:
بسیاری از مسائل بهینهسازی در دنیای واقعی پویا می‌باشند. در این مسائل بهینه سراسری و بهینه‌های محلی در طول زمان تغییر می‌کنند. نشان داده‌شده که استفاده از الگوریتم‌های یادگیر تقلید از طبیعت برای مواجهه با این مسائل مناسب هستند. در میان الگوریتم‌های مختلف بهینهسازی برای محیط‌های پویا در سال‌های اخیر الگوریتم بهینهسازی گروه ذرات توجه زیادی را به خود جلب کرده است. در این مقاله یک الگوریتم مبتنی بر الگوریتم بهینهسازی گروه ذرات برای محیط‌های پویا ارائه شده‌است. این الگوریتم یک روش چندجمعیتی است که ذرات به دو دسته خنثی و کوانتومی تقسیم می‌شوند. تولید اولیه جمعیت در این‌روش بر اساس نظریه آشوب صورت می‌گیرد. نشان داده‌شده که روش‌های چندجمعیتی برای حفظ تنوع ذرات در محیط مناسب هستند. در این‌روش تولید زیرجمعیت‌ها به‌صورت تطبیقی صورت می‌گیرد. در این‌روش از عملگر کنترل ذرات خنثی استفاده‌شده است. این عملگر نواحی متروکه و بد را برای ذرات خنثی شناسایی می‌نماید. هم‌چنین در این‌روش به‌جای عملگر ضدهمگرایی که در روش مشابه معرفی شده‌است؛ از یک عملگر دیگر استفاده‌شده که کارآیی مناسب‌تری را از خود نشان داده است. در این‌روش برای بهبود جستجوی محلی در هر زیرجمعیت از یک روش تپه‌نوردی بهبودیافته استفاده شده است. آزمایش‌ها مختلفی بر روی روش پیشنهادی انجام‌گرفته است.
منابع مشابه
الگوریتم کلونی زنبور مصنوعی آشوبگونه مبتنی بر حافظه برای حل مسائل بهینهسازی پویا
چکیده الگوریتم کلونی زنبور مصنوعی یکی از الگوریتم‌های بهینهسازی هوش جمعی می-باشد، که از آن در اهداف و کاربردهای ایستا به صورت وسیعی استفاده می‌شود. اکثر مسائل موجود در جهان واقعی پویا می‌باشند. بنابراین ما به الگوریتم‌های بهینهسازی نیاز داریم که بتوانند مسائل را در محیط‌های پویا به خوبی حل نمایند. مسائل بهینهسازی پویا مسائلی هستند که در طول زمان دچار تغییر می-شوند. در این مقاله ما یک الگوریت...
متن کاملالگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا
چکیده: اکثر مسائل موجود در دنیای واقعی یک مسئله بهینهسازی با ماهیتی پویا هستند، به‌طوری‌که مقدار بهینه سراسری آنها در طول زمان ممکن است تغییر کند، بنابراین برای حل این مسائل الگوریتمهایی نیاز داریم که بتوانند خود را با شرایط این مسائل بهخوبی سازگار نموده و بهینه جدید را برای این مسائل ردیابی نمایند. در این مقاله، یک الگوریتم ژنتیک آشوبگونه مبتنی بر خوشهبندی و حافظه برای حل مسائل پویا ارائ...
متن کاملالگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا
چکیده: اکثر مسائل موجود در دنیای واقعی یک مسئله بهینهسازی با ماهیتی پویا هستند، به طوری که مقدار بهینه سراسری آنها در طول زمان ممکن است تغییر کند، بنابراین برای حل این مسائل الگوریتمهایی نیاز داریم که بتوانند خود را با شرایط این مسائل بهخوبی سازگار نموده و بهینه جدید را برای این مسائل ردیابی نمایند. در این مقاله، یک الگوریتم ژنتیک آشوبگونه مبتنی بر خوشهبندی و حافظه برای حل مسائل پویا ارائ...
متن کاملالگوریتم ژنتیک مبتنی بر کد واقعی با جهش هوشمند برای حل مسائل پخش بار اقتصادی غیرمحدب
در این مقاله، یک روش جدید برای حل مسائل پخش بار اقتصادی با استفاده از الگوریتم ژنتیک مبتنی بر کدهای واقعی با جهش هوشمند پیشنهاد می شود. در روش پیشنهادی کنترل لازم بر روی مقادیر مجموع کروموزوم ها صورت می‌گیرد در نتیجه نیازی به استفاده از هزینه جریمه در حل مسئله پخش بار اقتصادی نخواهد بود. این روش بر روی الگوریتم ژنتیک کلاسیک جهت حل مسائل پخش بار اقتصادی غیر محدب پیاده شده است .روش پیشنهادی قابلی...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 48 شماره 3
صفحات 1405- 1423
تاریخ انتشار 2018-11-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023