بهینه سازی ازدحام ذرات در محیط های پویا

پیاده سازی مقاله با عنوان بهینه سازی ازدحام ذرات در محیط های پویا

بعد از پیاده سازی مقاله ، روش پیشنهادی من، که استفاده از مدل مخلوط گوسی هست، به جای روش k-mean استفاده شود.یعنی الگوریتم pso یکبار با کامینز و یکبار با مخلوط گوسی اجرا شود وسپس  نتایج مقایسه شود که با مدل مخلوط گوسی باید نتایج بهینه تر شود.

بهینه سازی ازدحام ذرات در محیط های پویا به روش مخلوط گوسی

بیان مساله:

بهینه­سازی ازدحام­ ذرات روش بهینه همه­کاره مبتنی برجمعیت است. در بسیاری از جهات شبیه به الگوریتم­های تکاملی می­باشد و برخی از ویژگی­ها را با الگوریتم­های ­تکاملی به اشتراک می­گذارد ]۱[. الگوریتم بهینه­سازی ازدحام­ ذرات و انواع آن برای محیط ایستا بخوبی اجرا می­شود، با این حال اکثر مسائل موجود در دنیای حقیقی پویا هستند؛ به این معنا که موقعیت و ارزش بهینه ­سازی ممکن است در طول زمان تغییرکند ]۲[. مسائل بهینه­سازی پویا که در آن تغییر ممکن است در طول زمان رخ دهد مشکل­تر از مدیریت مسائل بهینه­سازی ایستا هستند. در نتیجه در این محیط­ها نیاز به الگوریتم­هایی است که علاوه بر یافتن بهینه متغیر، بتواند به نحو مطلوبی این بهینه متغیر را دنبال نماید و الگوریتم­هایی مطلوب خواهند بود که میانگین خطای بهترین راه حل یافت شده در آنها در هر لحظه از زمان کمتر باشد ]۳[. در سال­های اخیر، الگوریتم­های تکاملی علاقه زیادی در میان محققان برای حل مسائل بهینه­سازی پویا به خود جلب کرده­اند. یک الگوریتم تکاملی مناسب برای مسائل بهینه­سازی پویا، نه تنها باید قادر به مکان­یابی بهینه باشد همچنان­که در مسائل بهینه­سازی ایستا است، بلکه قادر به تشخیص زمان هنگامی که تغییراتی در وضعیت­های بهینه و مطلوب رخ می­دهد باشد ]۴[. الگوریتم بهینه­سازی ازدحام ذرات مانند الگوریتم­های تکاملی نه تنها باید برای پیدا کردن راه­های بهینه در یک زمان کوتاه اصلاح شود، بلکه باید قادر به پیگیری راه حل، بعد از تغییراتی که در محیط رخ می­دهد باشد ] ۵ و ۲[. به منظور داشتن این قابلیت­ها، دو مشکل مهم برای طراحی یک الگوریتم بهینه­سازی ازدحام برای محیط­های پویا وجود دارد: حافظه منسوخ­ شده و از دست­ دادن تنوع]۶[. حافظه منسوخ شده به وضعیتی درحافظه­ ذرات اشاره دارد که بهترین مکان ملاقات درگذشته بوده و با قابلیت­ها سازگار بوده ولی ممکن است بعد از تغییر در محیط دیگر معتبر نباشد. مشکل حافظه منسوخ­ شده معمولا به یکی از دو روش حل می­شود: ارزیابی مجدد حافظه یا فراموشی ­حافظه. مشکل دیگر از دست ­دادن تنوع می­باشد که در واقع یکی از چالش­های اصلی در محیط­های پویا می­باشد، زیرا متنوع­سازی یک گروه همگراشده برای یافتن بهینه متحرک و سپس همگرایی آن به بهینه مورد نظر، شدیداً کارایی الگوریتم را کاهش می­دهد ] ۷و۶و۲[. محیط­های ایستا به دلیل اینکه بهینگی در محیط متحرک نیست و هر یک از آنها با گذشت زمان در یک موقعیت ثابت باقی مانده­اند، یافتن بهینگی سراسری برای الگوریتم­های تکاملی آسان است. اما در محیطی­که موضوع آن تغییرکند یافتن بهینگی تحت هرتغییراتی که در محیط رخ می­دهد آسان نیست ]۴[. بنابراین مکانیزم اکتشافی قوی برای حل مسائل بهینه­سازی پویا نیاز است. یکی از نقاط ضعف درالگوریتم­های تکاملی برای حل مسائل بهینه­سازی پویا این است­که آنها به تنهایی نمی­توانند این مسائل را حل­کنند. بنابراین باید برخی از استراتژی­های مناسب که آنها را قادر به مدیریت مسائل بهینه­سازی پویا می­کند بکار بگیرند. برای مثال، استفاده از عنصرحافظه درالگوریتم­های تکاملی می تواند بسیار مفید باشد ]۸[. ضعف اصلی استفاده از الگوریتم­های تکاملی استاندارد در محیط­های پویا، که فقط یک مرتبه الگوریتم شروع به همگراشدن پیرامون برخی راه­حل­های بهینه یا نزدیک به بهینه می­کند که آن به احتمال زیاد توانایی خود را برای ادامه جستجو برای بهینه جدید از دست می­دهد، زمانی که محیط تغییر می­کند ]۶ و۳[ .

تاکنون روش­های مختلفی برای حل مسائل بهینه­سازی پویا با استفاده از روش­های تکاملی و هوش­جمعی ارائه شده­است ولی مشکل اصلی این الگوریتم­ها در محیط­های پویا، حافظه غیرمعتبر و از دست دادن تنوع می­باشد. از­ متداول­ترین این روشها،­ K- mean می­باشدکه یک خوشه­بندی مبتنی بر فاصله است. یکی از مشکلات اصلی­که در K-mean وجود دارد به دام افتادن در مینیمم محلی است، همچنین وابسته به مقداردهی اولیه (وابسته به k ) است، وابسته به معیار فاصله و حساس به نویز است. مدل مخلوط­گوسی نسبت به روش قبل دارای پیچیدگی زمانی بالاتری است ولی باعث افزایش دقت در ازدحام ذرات و خوشه­بندی می­شود و همچنین مقاومت بالاتر در مقابل نویز دارد. با وجود الگوریتم EM در GMM[1]یک نسخه برای تعمیم الگوریتم K-mean  است.

در این تحقیق ما به دنبال بهبود دادن روش ارائه داده شده با استفاده از مدل مخلوط گوسی هستیم.

Abstract

Particle Swarm Optimization (PSO) algorithm is considered as one of the crowd intelligence optimization algorithms. Dynamic optimization problems in which change(s) may happen over the time are harder to manage than static optimization problems. In this paper an algorithm based on PSO and memory for solving dynamic optimization problems has been proposed. The proposed algorithm uses the memory to store the aging best solutions and uses partitioning for preventing convergence in the population. The proposed approach has been tested on moving peaks benchmark (MPB). The MPB is a suitable problem for simulating dynamic optimization problems. The experimental results on the moving peaks benchmark show that the proposed algorithm is superior to several other well-known and state-of-the-art algorithms in dynamic environments.

لینک مقاله اصلی:

https://link.springer.com/chapter/10.1007/978-3-319-27060-9_21