Application of Classical Bird Swarm Learning Algorithm as a Method of Optimization in Nanotechnology Systems

شکی نیست که فناوری نانو نقش عمده ای در فناوری آینده ما خواهد داشت. علوم کامپیوتر فرصت های بیشتری برای سیستم های کوانتومی و فناوری نانو فراهم می کند. تکنیک های محاسبات نرم مانند هوش انبوه ، می توانند سیستم هایی با ویژگی های ظهور مطلوب را قادر سازند. بهینه سازی یک فعالیت مهم و تعیین کننده در طراحی سازه است. نیاز ارزان در حافظه و محاسبات با عوامل مستقل نانومتری که توانایی آنها ممکن است توسط اندازه آنها محدود شود مناسب است. برای اعمال در کنترل نانوربات ، اصلاح الگوریتم PSO مورد نیاز است. با استفاده از رفتار یادگیری شرطی سازی کلاسیک پرندگان در این مقاله ، ذرات یاد می گیرند که یک رفتار طبیعی شرطی را نسبت به محرک بی قید و شرط انجام دهند.ذرات موجود در فضای مسئله به چند دسته تقسیم می شوند و اگر ذره ای تنوع رده خود را در سطح پایین پیدا کند ، سعی می کند به سمت بهترین تجربه شخصی خود حرکت کند. ما همچنین از ایده حساسیت پرندگان به فضایی که آنها در آن پرواز می کنند استفاده کردیم و سعی کردیم ذرات را در فضاهای نامناسب با سرعت بیشتری حرکت دهیم تا از فضاها خارج شوند. برعکس ، ما سرعت ذرات را در فضاهای ارزشمند کاهش می دهیم تا بیشتر جستجو کنیم. روش پیشنهادی در نرم افزار MATLAB پیاده سازی شده و با نتایج مشابه مقایسه شده است. نشان داده شد که روش پیشنهادی بدون توجه به عملکردهای غیر تعیین کننده یا شرایط تصادفی ، راه حل خوبی برای مسئله پیدا می کند .

Keywords:

Nanotechnology , Quantum , Swarm Algorithm , Optimization , Cost , Speed , Particle , Standard Deviation