ارتقاء الگوریتم بهینه سازی pso بارفتار کوانتومی با استفاده از توابع دارای انحراف پایدار

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 761

This Paper With 29 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

MAARS02_035

تاریخ نمایه سازی: 8 اردیبهشت 1396

Abstract:

روش بهینه سازی تجمعی ذره، روشی بر گرفته از رفتار گروهی پرندگان، ماهی ها و تعاملات اجتماعی انسان ها است. در سال های اخیر، تحقیقات بسیاری در زمینه ی بسط الگوریتم صورت گرفته است که یکی از شاخه های آن الگوریتم بهینه سازی کوانتومی ذرات بوده است. اما در بسیاری از پژوهش های ارایه شده، پراکندگی ذرات به ازای کاهش نرخ همگرایی بهبود یافته است. در این راستا، در این پایان نامه به منظور افزایش هم زمان نرخ همگرایی و پراکندگی ذرات، تکنیک های ساده ای ارایه شده است که عبارتند از: (1) استفاده از روش جستجوی درونی برای انتخاب ذره کاندید جدید، (2) جاگذرای سه ذره کاندید به جای بدترین ذرات موجود در جمعیت (3) استفاده از بهترین نتایج ضرایب یادگیری،(4) استفاده از راهکاری ساده جهت کنترل همگرایی الگوریتم در تعداد تکرار بالا.در ادامه نتایج الگوریتم پیشنهادی با نتایج سایر الگوریتم های قبلی مقایسه شده و میزان بهبود عملکرد آن گزارش شده است. به منظور مقایسه ی الگوریتم ها از پنج تابع نمونه مشهور استفاده شده است. نتایج به صورت مجزا به ازای هر تابع گزارش شده است.

Keywords:

الگوریتم بهینه سازی کوانتومی ذرات , بهینه سازی تجمعی ذره , جستجوی درونی , همگرایی الگوریتم

Authors

پوریا امینی دیگه سرا

دانشجوی کارشناسی ارشد مهندسی مکانیک گرایش طراحی کاربردی دانشگاه گیلان ،

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Parsopoulos, Konstantino E., ed. Particle Swarm optimization and intelligence: advances ...
  • Goldstein, Jeffrey. Emergence as a construct History and issues. Emergence ...
  • Holland, J. H. Emergence from chaos to orde. New York: ...
  • Levy, P. Collective intelligence: Mankind's emerging world in cyberspace. New ...
  • Szuba, T. Computational collective intelligence. New York: Wiley & Sons, ...
  • Beni, G., & Wang, J. Swarm intelligence in cellular robotc ...
  • Kennedy, J., & Eberhart, R. C. Particle SWam optimization. In ...
  • Kwok, Ngai Ming, D. K. Liu, and Gamini Dissanayake. Evolutionary ...
  • Mouser, C. R., and S. A. Dunn. Comparing genetic algorithms ...
  • Engelbrecht, Andries P. Computational intelligence: an introduction. John Wiley & ...
  • _ Mendes, R., Kennedy, J., & Neves, J. Watch thy ...
  • Suganthan, Ponnuthura _ "Particle SWarm optimiser with neighbourhood operator. Evolutionary ...
  • Ratnaweera, Asanga, Saman K. Halgamuge, and Harry C. Watson. Self-organizing ...
  • Van Den Bergh, Frans. An analysis of particle swarm optimizers. ...
  • Eberhart, Russell C., and Yuhui Shi. Tracking and optimizing dynamic ...
  • Shi, Y., and R. C. Eberhart Particle swarm optimization with ...
  • Chatterjee, Amitava, and Patrick Siarry. Nonlinear inertia weight variation for ...
  • I8. Ratnaweera, Asanga, Saman K. Halgamuge, and Harry C. Watson. ...
  • Yamaguchi, Teruyosh, and Keichiro Yasuda. Adaptive particle SWarm optimization; self- ...
  • Feng, Bin, and Wenbo Xu. Adaptive particle swarm optimization based ...
  • Sun, Jun, et al. Quan tum-belaved particle Swarm optimization with ...
  • Feng, Bin, and Wenbo Xu. Adaptive particle SWarm optimization based ...
  • Moghaddam, Jalal Javadi, and Ahmad Bagheri. A novel stable deviation ...
  • Clerc, Maurice, and James Kennedy. The particle swarm- explosion, stability, ...
  • Storn, Rainer, and Kenneth Price. Differential evolution-a simple and efficient ...
  • نمایش کامل مراجع