Abstract
This paper compares two evolutionary computation paradigms: genetic algorithms and particle swarm optimization. The operators of each paradigm are reviewed, focusing on how each affects search behavior in the problem space. The goals of the paper are to provide additional insights into how each paradigm works, and to suggest ways in which performance might be improved by incorporating features from one paradigm into the other
چکیده
در این مقاله، قصد داریم دو جریان محاسباتی تکاملاتی را ارائه دهیم: الگوریتم های ژنتیک و بهینه سازی ازدحام ذرات. اپراتور های موجو در هر جریان را بازبینی خواهیم کرد و بر روی تأثیر هر کدام بر روی رفتار جستجو در فضای مسئله متمرکز خواهیم شد. اهداف این مقاله میتواند رویکرد هایی را در مورد چگونگی کار این جریان ها فراهم کرده و راه و روش هایی را برای بهبود کارائی به وسیله ی بکار گیری ویژگی های یک جریان در یک جریان دیگر ارائه میدهد
1-مقدمه
چهار جریان رایج در محاسبات تکاملاتی وجود دارد: الگوریتم های ژنتیک[5]، برنامه نویسی تکاملاتی [4]، استراتژی های تکامل[9] و برنامه نویسی ژنتیک [8]. یک تکنیک محاسباتی جدید که بهینه سازی ازدحام ذرات (PSO) نام دارد نیز بر اساس شبیه سازی رفتار اجتماعی بکار گرفته شده است که چنین تکنیکی در اصل توسط Eberhart [2,3,6,7] توسعه یافته است. در PSO، بجای استفاده از عملگر های ژنتیک مرسوم، هر ذره (عنصر یا ژن) مسیر خود را بر اساس تجربه ی حرکتی خود و تجربه ی پرواز یا حرکت گروهی تعدیل میدهد...