طراحی و پیاده سازی دو روش جدید برای بهبود کارایی الگوریتم بهینه سازی دسته ذرات در برخورد با مسائل بهینه سازی کلی

در علم ریاضیات و علوم کامپیوتر، بهینه سازی به انتخاب بهترین گزینه از میان گزینه های موجود اطلاق می شود. بهینه سازی عددی، ابزاری بسیار کاربردی و سودمند در زندگی امروز بشر است. امروزه رد پای بهینه سازی در بسیاری از ابعاد زندگی بشر خود را نمایان می سازد. به عنوان نمونه، بسیاری از مسائل طراحی در علوم مهندسی در قالب مسائل بهینه سازی مطرح می شوند. همچنین علم اقتصاد نیز تا حدود زیادی بر پایه بهینه سازی استوار است. علاوه بر این، بهینه سازی کاربردهای فراوان دیگری در پزشکی، مهندسی، کشاورزی و دیگر علوم دارد. با توجه به افزایش روزافزون مسائل بهینه سازی و همچنین افزایش دشواری آن ها نیاز به توسعه و تقویت روش های نظری و عملی بهینه سازی احساس می گردد. الگوریتم بهینه سازی دسته ذرات(pso) یک روش حل مسائل بهینه سازی است که برای بسیاری از مسائل دارای پیاده سازی آسان و بار محاسباتی کمی است. این الگوریتم با توجه به سرعت و کارایی اش در مواجهه با مسائل، در سال های اخیر توجهات زیادی را به خود جلب نموده است. اما به هر حال این الگوریتم به ویژه در توابع پیچیده ای که دارای چندین بهینه هستند، از مشکل همگرایی نابالغ رنج می برد. در این پایان نامه دو روش جدید برای تقویت الگوریتم بهینه سازی دسته ذرات پیشنهاد شده است. روش پیشنهادی اول از عملگری جدید به نام شخم زدن برای تقویت قابلیت کاوش الگوریتم در مراحل ابتدایی بهره می گیرد و روش دوم که بهینه سازی دسته ذرات تطابقی سبک نام دارد، علاوه بر استفاده از عملگر شخم زدن، از دو عملگر انتخاب الگوریتم ژنتیک و عملگری جدید به نام عملگر جهش تطبیقی به منظور تقویت کارایی الگوریتم استفاده می کند. ضمن این که برای افزایش کارایی، در روش پیشنهادی دوم از یک سیستم تطابقی فازی برای کنترل زمان اجرای عملگرها در الگوریتم استفاده شده است. در نهایت کارایی الگوریتم های پیشنهادی در برابر الگوریتم بهینه سازی دسته ذرات پایه، الگوریتم ژنتیک و نه نسخه بهبود یافته دیگر از بهینه سازی دسته ذرات پایه مورد سنجش قرار گرفته اند و نتایج حاصل مورد تحلیل واقع شده اند. در این پایان نامه از چندین تابع محک متداول در این زمینه برای مقایسه کارایی الگوریتم ها استفاده شده است. نتایج شبیه سازی های صورت گرفته موید این امر است که دو الگوریتم پیشنهادی توانسته اند کارایی الگوریتم پایه را بهبود بخشند.