دانلود ترجمه مقاله مقایسه روش بهینه سازی ازدحام ذرات و الگوریتم ژنتیکی – مجله IEEE

ieee2

 

 عنوان فارسی مقاله: مقایسه روش بهینه سازی ازدحام ذرات و الگوریتم ژنتیکی
 عنوان انگلیسی مقاله: A COPMARISON OF PARTICLE SWARM ; OPTIMIZATION AND THE GENETIC ALGORITHM
دانلود مقاله انگلیسی: برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید

 

سال انتشار ۲۰۰۹
تعداد صفحات مقاله انگلیسی  ۱۳ صفحه
تعداد صفحات ترجمه مقاله  ۱۸ صفحه
مجله  کنفرانس کنترل حرکت
دانشگاه  –
کلمات کلیدی  –
نشریه IEEE IEEE

 

 


فهرست مطالب:

 

چکیده
مقدمه
PSO در برابر GA
بهینه سازی دسته ذرات
الگوریتم ژنتیکی
متریک های مقایسه و تست فرضیه
مسائل تست ملاک
تابع Banana
تابع Eggcrate
مسائل سیستم های فضایی
پیکره بندی آرایه تلسکوپ
طرح مبتنی بر پایایی ماهواره ارتباطی
بررسی و بحث
نتایج


بخشی از ترجمه:

 

 ۱ مقدمه

روش بهینه سازی گروه ذرات (PSO) در اواسط دهه ۱۹۹۰ توسط کندی و ابرهارت اختراع گردید در این روش ، حرکت گروه پرندگان به عنوان بخشی از مطالعه اجتماعی شناختی که به پژوهش در مورد تصور هوش جمعی در جوامع زیستی می پردازد، شبیه سازی می گردد. در روش PSO ، مجموعه راه حل های تصادفاً انتخاب شده ( گروه اولیه) در فضای طراحی در جهت نیل به راه حل بهینه در میان تعدادی تکرار(حرکت) بر اساس مقدار زیاد اطلاعات موجود در مورد فضای طراحی منتشر می شود که باهم تلفیق شده و کلیه اعضای گروه از آن بهره می برند. روش PSO از توانایی دسته های پرندگان، دسته ماهیها و گله جانوران برای سازش با محیط، یافتن منابع سرشار غذایی و دوری از شکارچیان (صیادان) با اجرای شیوه تقسیم اطلاعات الهام گرفته و یک حسن تکاملی دارا می باشد. مراجع ۱ و ۲ تاریخچه کاملی از توسعه الگوریتم PSO را شرح داده و برای شیوه بهینه سازی ابتکاری نقش شبیه ساز حرکت را ایفا می کنند.

در اواسط دهه ۱۹۷۰ ، جان هولند و همکاران و دانشجویانش در دانشگاه میشیگان الگوریتم ژنتیکی (GA) را معرفی کردند. GA از اصول ژنتیک و تکامل الهام گرفته و از رفتار تولید مثل مشاهده شده در جوامع زیستی تقلید می کند. GA از اصل بقای تناسب در پروسه جستجو برای انتخاب و تولید افرادی استفاده می کند (راه حل های طرح) که با محیط خود (اهداف/ محدودیت های طرح)سازگاری حاصل کرده اند. بنابراین، در میان تعداد نسل ها (تکرار) ، صفات مطلوب (ویژگی های طرح) تکامل یافته و در ترکیب ژنوم جمعیت (مجموعه راه حل های طرح تولید کننده هر تکرار) در میان صفاتی با ویژگیهای نامطلوب ضعیف تر باقی می مانند. برای حل مسائل بهینه سازی پیچیده از روش GA استفاده شده است زیرا به متغیرهای پیوسته و گسسته و توابه محدودیت و هدف غیر خطی بدون نیاز به اطلاعات گرادیان رسیدگی می کند.

هدف اصلی این مقاله مقایسه اثربخشی محاسباتی و راندمان GA و PSO با استفاده از شیوه تست فرضیه رسمی می باشد. انگیزه لازم ، اعتبار یابی فرضیه مطرح شده می باشد مبنی براینکه اثر بخشی PSO به اندازه GA  (میزان موفقیت در یافتن راه حل های بهینه کل) ، اما راندمان محاسباتی آن بهتر می باشد. نتایج این تست در توسعه آتی PSO نقش بسزایی ایفا می کند. رئوس بخشهای دیگر این مقاله به شرح ذیل می باشد. اولاً ورژنهای PSO و GA به کار رفته در مطالعه مقایسه ای جمع بندی شده و روش تست فرضیه فرمول بندی می گردد. ثانیاً، سه مسئله ملاک معروف مطرح می گردد که برای مقایسه عملکرد GA و PSO از آنها استفاده شده است. سوم اینکه دو مسئله بهینه سازی سیستم های دو فضایی به کار رفته برای تست عملکرد هر دو الگوریتم با توجه به کاربردهای واقعی مطرح شده است. در دو بخش آخر نیز نتایج کار ارائه شده است.

نتایج
روش بهینه سازی گروه ذرات (PSO) یک روش جستجوی ابتکاری نسبتاً تازه می باشد که بر اساس رفتار مشترک و گروه بندی در جوامع زیستی عمل می کند. PSO از این حیث شبیه الگوریتم ژنتیکی (GA) عمل می کند که هر دو شیوه جستجوی بر مبنای جمعیت تلقی شده و هر دو به تقسیم اطلاعات میان اعضای جمعیت برای بهبود پروسه های جستجو با استفاده از ترکیبی از قوانین احتمالی و قطعی بستگی دارند.برعکس، GA الگوریتمی طراحی شده با ورژنها و کاربردهای زیاد می باشد. هدف این تحقیق تست فرضیه است مبنی براینکه هرچند PSO و GA به طور متوسط اثربخشی یکسانی حاصل می کند (کیفیت حل) ، PSO در مقایسه با GA از راندمان محاسباتی بیشتری برخوردار می باشد (از ارزیابی تابع کمتر استفاده می کند). به منظور پژوهش در مورد این ادعا، و بررسی دو عنصر مطرح شده در این ادعا، یعنی اثربخشی برابر و راندمان برتر برای PSO نسبت به GA ، دو تست آماری انجام شد. به منظور انجام تستهای t ، هشت نمونه مسئله تست با استفاده از PSO و GA در دورهای متعدد حل گردید.


بخشی از مقاله انگلیسی:

 

Introduction

article Swarm Optimization (PSO) was invented by Kennedy and Eberhart1 in the mid 1990s whileattempting to simulate the choreographed, graceful motion of swarms of birds as part of a sociocognitivestudy investigating the notion of “collective intelligence” in biological populations. In PSO, a set ofrandomly generated solutions (initial swarm) propagates in the design space towards the optimal solutionover a number of iterations (moves) based on large amount of information about the design space that isassimilated and shared by all members of the swarm. PSO is inspired by the ability of flocks of birds,schools of fish, and herds of animals to adapt to their environment, find rich sources of food, and avoidpredators by implementing an “information sharing” approach, hence, developing an evolutionaryadvantage. References 1 and 2 describe a complete chronicle of the development of the PSO algorithmform merely a motion simulator to a heuristic optimization approach.

The Genetic Algorithm (GA) was introduced in the mid 1970s by John Holland and his colleagues and students at the University of Michigan.3 The GA is inspired by the principles of genetics and evolution, and mimics the reproductionbehavior observed in biological populations. The GA employs the principal of “survival of the fittest” inits search process to select and generate individuals (design solutions) that are adapted to theirenvironment (design objectives/constraints). Therefore, over a number of generations (iterations),desirable traits (design characteristics) will evolve and remain in the genome composition of thepopulation (set of design solutions generated each iteration) over traits with weaker undesirablecharacteristics. The GA is well suited to and has been extensively applied to solve complex designoptimization problems because it can handle both discrete and continuous variables, and nonlinearobjective and constrain functions without requiring gradient information.

The major objective of thispaper is to compare the computational effectiveness and efficiency of the GA and PSO using a formalhypothesis testing approach. The motivation is to validate or refute the widely speculated hypothesis thatPSO has the same effectiveness as the GA (same rate of success in finding true global optimal solutions)but with better computational efficiency. The results of this test could prove to be significant for thefuture development of PSO. This remainder of this paper is organized in five major sections. First, thePSO and GA versions that are implemented in this comparative study are summarized and the hypothesistest procedure is formulated. Second, three well-known benchmark problems that are used to compare theperformance of the GA and PSO are presented. Third, two space systems optimization problems that areused to test the performance of both algorithms with respect to real life applications are presented. Resultsand conclusions are presented in the last two sections.

Conclusions

Particle Swarm Optimization (PSO) is a relatively recent heuristic search method that is based on the idea of collaborative behavior and swarming in biological populations. PSO is similar to the Genetic Algorithm (GA) in the sense that they are both population-based search approaches and that they both depend on information sharing among their population members to enhance their search processes using a combination of deterministic and probabilistic rules. Conversely, the GA is a well established algorithm with many versions and many applications. The objective of this research is to test the hypothesis that states that although PSO and the GA on average yield the same effectiveness (solution quality), PSO is more computationally efficient (uses less number of function evaluations) than the GA. To investigate this claim, two statistical tests were set to examine the two elements of this claim, equal effectiveness but superior efficiency for PSO over the GA.

 


 

 عنوان فارسی مقاله: مقایسه روش بهینه سازی ازدحام ذرات و الگوریتم ژنتیکی
 عنوان انگلیسی مقاله: A COPMARISON OF PARTICLE SWARM ; OPTIMIZATION AND THE GENETIC ALGORITHM

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.