حمیدرضا مدرس - دانشکده برق و رباتیک دانشگاه صنعتی شاهرود
علیرضا احمدی فرد - دانشکده برق و رباتیک دانشگاه صنعتی شاهرود

روش بهینه سازی اجتماع ذرات ذاتا دارای سرعت همگرایی بالایی می باشد. از آنجایی که تمام ذرات در فضای جستجو به سمت بهترین موقعیتی که در طول مسیر حرکتشان یافته اند، شتاب می گیرند، درمان تکرار های اولیه الگوریتمف ذرالت که در ابتدای کار در فضای جستجو پراکنده بوده اند، به سرعت به همدیگر و به نقطه بهینه ای که توسط الگوریتم یافته شده نزدیک می شوند و نتیجتا از سرعت وپراکندگی آنها به شدت کاسته می شود. درمسائل بهینه سازی با بعد بالا و پیچیده ، معمولا سرعت همگرایی بالا باعث همگرایی زودرس می شود که نتیجه آن این است که الگوریتم در یک نقطه بهینه محلی متوقف می شود. درچنین مواردی لازم است الگوریتم وقت بیشتری را صرف جستجوی نقطه بهینه کند. برای غلبه بر این مشکل می توان پراکندگی ذرات در فضای جستجو کنترل کرد و اگر ذرات خیلی بهم نزدیک شدند، شروع به پراکنده کردن آنها کرد. در این مقاله از عملکرد جهش ژنتیکی برای رسیدن به هدف مورد نظر استفاده شده است. نتایج روش پیشنهادی با الگوریتم استاندارد PSO مقایسه شده است و نتیجه به مراتب بهتری بدست آمده است.

روش بهینه سازی اجتماع ذرات ، جهش ژنتیکی ، همگرایی زودرس