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.
Particle Swarm Optimization Algorithm for Dynamic Environments
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
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد