چکیده

الگوریتم PSOGSA یک الگوریتم ‌بهینه‌سازی ترکیبی جدید است که قدرتمندی الگوریتم ‌بهینه‌سازی گروه ذرات و الگوریتم جستجوی گرانشی را با یکدیگر ترکیب می‌کند. قبلااثبات شده است که، این الگوریتم از هر دو الگوریتم GSA و PSO از لحاظ مرور و کاوش بهتر عمل می‌کند. نسخه‌ی اصلی این الگوریتم برای مسائلی که در فضای جستجوی پیوسته هستند، بسیار مناسب است. البته باید خاطر نشان کرد که، برخی از مسائل دارای پارامترهای باینری هستند. در این مقاله یک نسخه‌ی باینری از PSOGSA به نام BPSOGSA ارائه شده که به حل مسائل ‌بهینه‌سازی از این دست می‌پردازد. این مقاله در نظر دارد که مقادیر وفق‌دهنده‌ای را برای بالانس بیشتر مرور و کاوش در BPAOGSA، بکاربگیرد. به منظور ارزیابی عملکرد الگوریتم باینری پیشنهادی، 22 تابع محک را بکار گرفتیم و آن ها را به سه گروه تقسیم کردیم: تک نمایه، چند نمایه، و مرکب. نتایج تجربی، عملکرد بهتر BPSOGSA را در مقایسه با الگوریتم‌های BGSA، و BPSO ، و الگوریتم ژنتیک از لحاظ فرار از مینیمم محلی و نرخ همگرایی نشان داد.

1-مقدمه

اخیرا، تکنیک‌های ‌بهینه‌سازیِ آماریِ الهام گرفته از طبیعت، توجه زیادی را به خود جلب کرده اند. چنین بهینه‌سازی‌هایی اکثرا از رفتار فردی/اجتماعی در یک گروه از حیوانات یا پدیده‌های طبیعی، تقلید می‌کنند. چنین تکنیک هایی، فرایند ‌بهینه‌سازی را با یاجاد یک مجموعه‌ی تصادفی از شروع می‌کنند، و پاسخ‌های کاندید خود  را برای یک مسئله‌ی خاص بهبود می‌دهند. به منظور عملکرد بهتری این تکنیک‌ها در مقایسه با روش‌های بهنیه‌سازی ریاضی، کاربرد روش‌های بهنیه‌سازی آماری را می‌تواند در زمیه‌های مختلف یافت...

 میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید