| عنوان فارسی مقاله: | بهینه سازی ازدحام ذرات – روشها، آرایه شناسی یا تاکسونومی، و کاربردها |
| عنوان انگلیسی مقاله: | Particle Swarm Optimization – Methods, Taxonomy and Applications |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2009 |
| تعداد صفحات مقاله انگلیسی | 11 صفحه |
| تعداد صفحات ترجمه مقاله | 29 صفحه |
| مجله | کامپیوتر و مهندسی |
| دانشگاه | – |
| کلمات کلیدی | بهینه سازی ابتکاری، گروه ذرات، بهینه سازی (PSO) ، تاکسونومی ، کاربردها |
| نشریه | IAAE |
فهرست مطالب:
چکیده
۱ مقدمه
۲ توصیف PSO
۳ الگوریتم های اصلی PSO
نتیجه گیری
بخشی از ترجمه:
مقدمه
از آنجایی که الگوریتم های محاسباتی متداول به خاطر ساختار سخت و انعطاف ناپذیر عمدتاً به خاطر داده های ناقص و پاره ای از مشکلات چند بعدی، قادر به حل مسائل واقعی نیستند، در نتیجه به نظر می رسد الگوهای محاسباتی عادی جایگزینی مناسب برای حل این قبیل مسائل به شمار می روند. این الگوها از عناصر ساده ای تشکیل می شوند که می توانند مسائل پیچیده واقعی را در صورت همکاری باهم حل کنند. شایان توجه است که اشکال اصلی این موانع ماهیت نامحدود آنها و ارائه یک راه حل تقریبی می باشد. در کل ، الگوهای محاسباتی طبیعی را می توان به سه طبقه تقسیم نمود: ۱) اپی ژنز ۲) فیلوژنی ۳) آنتوژنی . گروه اپی ژنز وابسته به شرایطی هستند که یک ساختار پیچیده توسعه یافته و برای رسیدگی به آن، لازم است یادگیری آزمایشی(تجربی) انجام گیرد.نمونه روشنی از این طبقه شبکه عصبی مصنوعی (ANN) نام دارد که مغز انسان به صورت سیستم پیچیده ای شبیه سازی شده است. گروه فیلوژنی وابسته به الگوریتم های EA می باشد. در الگوریتم وابسته به این طبقه، میان عوامل بر سر بقا رقابت صورت می گیرد. الگوریتم های وابسته به این گروه عبارتنداز برنامه نویسی تکاملی (EP) ، برنامه نویسی ژنتیکی (GP) و تکامل تفاضلی (DE). گروه آنتوژنی وابسته به الگوریتم هایی می باشد که ارگانیسم خاصی با محیط سازگاری حاصل می کند. الگوریتم هایی مانند PSO و الگوریتم های ژنتیکی GA از این تیپ بوده و در حقیقت، در مقایسه با سایر تیپ ها ، ماهیت مشارکتی دارند.محاسن طبقات مذکور را می توان توانایی آنها برای کاربرد در برنامه های مختلف و نه نیاز به دانش قبلی فضای مسئله قلمداد نمود. اشکالات آنها عبارتنداز نبود تضمین مناسب برای یافتن یک راه حل بهینه و بالا بودن هزینه های محاسباتی برای تکمیل تابع Fitness Function (F.F) در تکرارهای زیاد . در میان الگوهای مذکور، به نظر می رسد الگوریتم PSO یک الگوریتم جذاب برای مطالعه باشد زیرا علاوه بر جدید بودن دارای ماهیت ساده و کارآمدی می باشد.آن را حتی می توان جانشینی مناسب برای سایر الگوریتم های پایه و تکاملی مهم تلقی کرد. مهمترین شباهت بین این الگوها و GA داشتن جمعیت تعاملی بهم پیوسته می باشد.سرعت این الگوریتم ، در مقایسه با GA در یافتن راه حلهای نزدیک به حد بهینه و همگرایی پیش از موعد سریع ترمی باشد.
نتیجه گیری
در این مقاله، مولفین سعی کردند دیدگاهی عمومی از الگوریتم PSO برای محققین این رشته ارائه دهند که مشغول مطالعه آن بوده و روشهای مختلف برگرفته از این الگوریتم و کاربردهای آن در سالهای مختلف را معرفی می کنند. از زمان معرفی این روش در سال 1995، روشهای برگرفته از این الگوریتم و برنامه های کاربردی آن پیشرفت زیادی داشته است. در این مقاله، بر اساس تحلیل بیش از 2315 نشریه در مورد PSO ،حدود 536 مقاله وابسته به روشهای ارتقاء دهنده PSO و 1779 مقاله وابسته به کاربردهای PSO شناخته شدند. در این مقاله، پیشرفتهای PSO مطرح شده است. به علاوه، روشهای مختلف برگرفته از این الگوریتم معرفی شده است، به گونه ای که با توجه به تازگی و جدید بودن این الگوریتم، آنها را می توان راهنمایی برای محققین در آینده در نظر گرفت. همچنین در این مقاله جدولی نیز مطرح شده است که پارامترهای اصلی به کار رفته در بعضی از روش های برگرفته از این الگوریتم را نشان می دهد، به گونه ای که آن را می توان راهنمایی برای ارزش های گروهی پارامترهای مذکور در روشهای آتی برشمرد.
به علاوه، تاکسونومی این الگوریتم از دیدگاههای مختلف مطرح شده است ، بدین وسیله دیدگاهی عمومی راجع به این الگوریتم از دیدگاههای مختلف ارائه می گردد. این الگوریتم با توجه به راندمان بیشتر آن در مقایسه با سایر الگوریتمهای تکاملی نظیر GA و سهولت آن، ابزاری مناسب برای حل مسائل بهینه سازی مختلف تلقی می گردد. از طرف دیگر، برنامه های مختلف معرفی و مورد تحلیل و ارزیابی قرار گرفته اند. به علاوه سعی شده است، برنامه های کاربردی مختلف معرفی شده در بخش اول بر اساس روشهای مرکب معرفی گردد. بدین طریق، راجع به بعضی از برنامه های کاربردی بحث نشده و سعی شده است کاربردهای وسیع این الگوریتم معرفی گردد، به گونه ای که محققین از آن می توانند به عنوان ابزاری مفید استفاده کنند. در نتیجه 41 نشریه از PSO معرفی شده است. الگوریتم PSO ، به عنوان یک الگوریتم مهم در بهینه سازی، در آینده در علوم مختلف از جمله اقتصاد، مالی، تجاری، علوم پزشکی ، مهندسی و غیره کارهای بیشتری انجام می دهد. علت این امرانعطاف پذیری بالای PSO می باشد. اخیراً، روشهای جدید برگرفته از PSO توسعه یافته است. کار تحقیقاتی در زمینه کاربرد PSO در بعضی از رشته ها نظیر مهندسی برق و ریاضیات وسیع و گسترده می باشد، اما در رشته های دیگر ماند مهندسی عمران و شیمی، کمیاب می باشد.
بخشی از مقاله انگلیسی:
INTRODUCTION
Since conventional computing algorithms are not capable of solving real-world problems because ofsometimes having an inflexible structure mainly due to incomplete or noisy data and some multi-dimensionalproblems, Natural computing paradigms seem to be a suitable replacement in solving such problems. Theseparadigms consist of simple elements that can solve complicated problems of the real world when workingtogether. It should be mentioned that the main drawback of such paradigms are their indefinite nature andpresenting an approximate solution. In general, Natural computing paradigms can be divided into threecategories: 1) Epigenesis 2) Phylogeny 3) Ontogeny. The Epigenesis group is related to a situation in which wewould like to develop an intricate structure and to do so, it is necessary to perform a tentative learning. A clearexample of this category is Artificial Neural Network (ANN) wherein human’s brain is simulated as a complexsystem. The phylogeny group is related to EA algorithms. In thealgorithms related to this category, there is a competition among agents on survival of the fittest. Algorithmsrelated to this group include Evolutionary Programming (EP), Genetic Programming (GP), and DifferentialEvolutionary (DE). The Ontogeny group is associated with the algorithms in which the adaptation of a specialorganism to its environment is happened. The algorithms like PSO and Genetic Algorithms (GA) are of thistype and in fact, they have a cooperative nature in comparison with other types [16]. The advantages of abovementionedcategories can be noted as their ability to be developed for various applications and not needing theprevious knowledge of the problem space. Their drawbacks include no guarantee in finding an optimumsolution and high computational costs in completing Fitness Function (F.F.) in intensive iterations. Among theaforementioned paradigms, the PSO algorithm seems to be an attractive one to study since it has a simple butefficient nature added to being novel. It can even be a substitution for other basic and important evolutionaryalgorithms. The most important similarity between these paradigms and the GA is in having the seaminteractive population. This algorithm, compared to GA, has a faster speed in finding the solutions close to theoptimum and it is faster than GA in premature convergence [4]. II. DESCRIPTION OF PSOKennedy and Eberhart [31], considering the behavior of swarms in the nature, such as birds, fish, etc.developed the PSO algorithm. The PSO has particles driven from natural swarms with communications basedon evolutionary computations. PSO combines self-experiences with social experiences. In this Algorithm, acandidate solution ispresented as a particle. It uses a collection of flying particles (changing solutions) in asearch area (current and possible solutions) as well as the movement towards a promising area in order to getto a global optimum. Formula 1 , 2 , 3Since, in the above algorithm, there is the possibility of particles movement to out of the problem space [15],an upper velocity bound for particle movement is specified. One of the PSO problems is its tendency to a fastand premature convergence in mid optimum points. A lot of effort has been made so far to solve this problem.For instance, in [14] the best value for w in (1) is set to 0.9, which linearly decreases to 0.4. Moreover, χ (i.e.,contraction parameter) reduces the necessity of haltering velocity.
| عنوان فارسی مقاله: | بهینه سازی ازدحام ذرات – روشها، آرایه شناسی یا تاکسونومی، و کاربردها |
| عنوان انگلیسی مقاله: | Particle Swarm Optimization – Methods, Taxonomy and Applications |
