فرمت فایل : word (لینک دانلود پایین صفحه) تعداد صفحات 39 صفحه
مقدمه
بهینه سازی ازدحام ذرات (PSO) روش بهینه همه کاره مبتنی بر جمعیت است، در بسیاری از جهات شبیه به الگوریتم های تکاملی(EAS)میباشد. PSO به خوبی برای انجام بسیاری از مشکلات استاتیک نشان داده شده است [30].با این حال، بسیاری از مشکلات در دنیای واقعی پویا میباشند, به این معنا که موقعیت و ارزش بهینه سراسری ممکن است در طول زمان تغییر کنند. وظیفه برای بهینه سازی الگوریتم است و برای پیگیری این بهینه تغییر میکند. آن استدلال شده است [14] که EAS به طور بالقوه برای اینگونه وظایف به خوبی مناسب میباشد ، و بررسی انواع EA آزمایش در مشکل پویا است که در [13، 15] داده شده است. این تعجب آور است، بنابراین، آنچه PSO وعده داده برای مسائل پویا نگه می دارد. بهینه سازی با ازدحام ذرات دارای دو جزء اصلی، ذرات پویا و شبکه اطلاع رسانی ذره میباشد. ذرات پویا در گرافیک کامپیوتر از شبیه سازی ازدحام رانده میشوند[21]، و اجزاء به اشتراک گذاری اطلاعات توسط شبکه های اجتماعی [32، 25] الهام گرفته است. این ترکیب مواد PSO را به بهینه ساز قوی و کارآمد از توابع هدف حقیقی (گرچه PSO در ترکیب و مسائل گسسته بیش از حد موفق ظاهر میشود( میسازد.PSO یک روش هوش محاسباتی پذیرفته شده است، و برخی از ویژگی ها را با الگوریتم های تکاملی به اشتراک میگذارد [1[.استفاده از PSO برای مشکلات پویا توسط نویسندگان مختلف [30، 23، 17، 9، 6، 24] پرداخته شده است. نتیجه کلی از این کار این است که PSO، درست مثل EAS، باید برای دستیابی به نتایج مطلوب در محیط های پویا ؛نمونه محک قله های متحرک (MPB) تغییر یافته است. (حرکت قله ها، مسلما معرف مسائل و مشکلات دنیای واقعی است، تعدادی از قله ها باارتفاع تشکیل شده و حرکت جانبی در حال تغییر است [12، 7[).منشاء مشکل نهفته در مسائل دوگانه در حافظه از رده خارج با توجه به پویایی محیط زیست، و از دست رفتن تنوع، با توجه به همگرایی است. از این دو مشکل، از دست دادن تنوع به مراتب بیشتر جدی نشان داده شده است که زمان صرف شده برای گروهی تا حدی همگرا دوباره تنوع، پیدا کردن اوج منتقل شده، و سپس دوباره همگرا است کاملا زیان آور به عملکرد [3] است. واضح است، یا یک مکانیزم تنوع مجدد باید
تحقیق علمی درباره بهینه سازی ازدحام ذرات در محیط های پویا