دانلود ترجمه مقاله الگوریتم بهینه سازی ازدحام ذرات مبتنی بر ایده بازپخت شبیه سازی شده – مجله IJCSNS

IJCSNS2

 

 عنوان فارسی مقاله: الگوریتم بهینه سازی ازدحام ذرات مبتنی بر ایده بازپخت شبیه سازی شده
 عنوان انگلیسی مقاله: Particle Swarm Optimization Algorithm Based on the Idea of Simulated Annealing
دانلود مقاله انگلیسی: برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید

 

سال انتشار ۲۰۰۶
تعداد صفحات مقاله انگلیسی  ۶ صفحه
تعداد صفحات ترجمه مقاله  ۸ صفحه
مجله  علوم کامپیوتر و امنیت شبکه
دانشگاه  چین
کلمات کلیدی  بهینه سازی ازدحام ذرات؛ بازپخت شبیه سازی شده؛قانون متروپولیس.
نشریه IJCSNS IJCSNS

 


فهرست مطالب:

 

خلاصه
۱ مقدمه
۲ الگوریتم های Sa-PSO

۲ ۱ الگوریتم اصلی PSO
۲ ۲  الگوریتم Sa-PSO
۲ ۲ ۱ قانون احتمال پذیرش متروپولیس
۲ ۲ ۲ برنامه خنک سازی
۲ ۲ ۳ تابع ضریب اینرسی
۲ ۳ قابضیت الگوریتم Sa-PSO
۲ ۴ الگوریتم

۳ آزمایش شبیه  سازی
۴ نتیجه گیری

 


بخشی از ترجمه:

 

مقدمه

بهینه سازی گروه ذرات(PSO)،یک نوع تکنولوژی محاسبه-استنتاج مبتنی بر آگاهی گروهی،توسط “کندی” و “آبرهارت” که با نتایج تحقیقی درباره ی زندگی ساختگی در سال ۱۹۹۵ برانگیخته شدند،تولید شد.ایده اصلی PSO،از تحقیق درباره ی رفتار گروههای پرنده ی در جستجوی غذا،ناشی گردید.هر ذره،همواره دو نمونه از بهترین موقعیت ها را دنبال می کند_بهترین موقعیت در کل گروه و خود در محاسبه تکرار،بنابراین بسیار سریع همگرا می شود،اما کاستی هایی در PSO زیر وجود دارد:۱)به آسانی وارد شدن در بهترین نقطه مکانی؛۲)پرداختن به محدودیت های مسأله بهینه سازی،دشوار است.از آن پس،ضریب اینرسی مورد بحث واقع شد{۶-۲}

۴٫نتیجه گیری
(۱)بکارگیری قانون متروپولیس برای بهبود الگوریتم بهینه سازی گروه ذرات اساسی با مفهوم است،بهترین نقطه هیپو،به میزان احتمال خاص در الگوریتم اصلاح شده مورد پذیرش واقع شد،خارج شدن از بهترین نقاط محلی،مفید است و سرعت جمع کننده الگوریتم را تسریع می بخشد.
(۲)رابطه نگاشتی بین وزن اینرسی و دمای بازپخت،بر اساس ماهیت آنها ایجاد می شود،دقت و سرعت جستجو اصلاح شد.
(۳)نتیجه شبیه سازی نشان می دهد که زیان های PSO غلبه می یابند؛توانایی بهینگی جهانی،افزایش می یابد.
(۴)تحقیق PSO صرفاً در آغاز کار قرار داشته، و همچنین مسائل زیادی برای مطالعه کامل وجود دارد.


بخشی از مقاله انگلیسی:

 

Introduction

Particle swarm optimization (PSO), a kind ofevolvement-computation technology based on swarmintelligence, was raised by Kennedy and Eberhart whowere aroused by the research results about artificial life in1995. The basic idea of PSO came from the research onthe behavior of bird swarms looking for food. Everyparticle always follows the two best positions—the bestposition in the whole swarm and itself in iterationcomputation, so it converges very fast, but there areseveral shortcomings in PSO below: (1) getting in alocal best point easily; (2) It is difficult to deal with theconstraints of the optimization problem. From then theinertia coefficient was discussed [2-6] 2. Sa-PSO Algorithms2.1 Basic PSO Algorithm [2-3, 5-6]There are m particles in a swarm that is in a space ofD dimensions, the ith particle’s position in the space whereα and w are, respectively , constraint factorand inertial factor (w >0).Many scholars regard the equations (3)-(4) as the basicPSO algorithm, It is obvious that the PSO algorithm isvery simple, but the algorithm itself includes theprinciples of sociology, psychology and bionomics, sothe particle swarm including some simple particlesbehaves a complex action, which is the main reasonthat many peoples are sure that the PSO algorithm hasa good foreground.2.2 Sa-PSO AlgorithmThe idea of simulated annealing algorithm is presentedby Metropolis in 1953, and was used in compoundingoptimization by Kirkpatrick in 1983. It accepts thecurrent optimal solution at a probability after searching,which called Metropolis law. And Sa-PSO algorithmbecome a global optimal algorithm by using this newacceptance rule, the theory has been proved.The basic idea of simulated-annealing particle swarmoptimize algorithm (Sa-PSO) is shown below:at the beginning, the individual best point and theglobal best point were accepted by the Metropolis rule,the hypo-best point was accepted at probability, theaim function is allowed to become worse at a certainextent, the acceptance rule was decided by the coefficient T, T is the anneal temperature. With the Tdescending, the searching region would be around thebest point, the accepted probability of the hypo-bestpoint become small also, when the T descend to thelower limit, the accepted probability of the hypo-bestpoint is zero, the algorithm only accept the bestsolution as the basic PSO algorithm. The relationbetween the annealing temperature and the inertialweight was built, the inertial weight change with thetemperature, and then the searching precision waschanged following the inertial weight, so the searchingspeed was increased. 


 عنوان فارسی مقاله: الگوریتم بهینه سازی ازدحام ذرات مبتنی بر ایده بازپخت شبیه سازی شده
 عنوان انگلیسی مقاله: Particle Swarm Optimization Algorithm Based on the Idea of Simulated Annealing

 

دانلود رایگان مقاله انگلیسی

 

خرید ترجمه فارسی مقاله با فرمت ورد

 

خرید نسخه پاورپوینت این مقاله جهت ارائه

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.