Abstract
The PSOGSA is a novel hybrid optimization algorithm, combining strengths of both particle swarm optimization (PSO) and gravitational search algorithm (GSA). It has been proven that this algorithm outperforms both PSO and GSA in terms of improved exploration and exploitation. The original version of this algorithm is well suited for problems with continuous search space. Some problems, however, have binary parameters. This paper proposes a binary version of hybrid PSOGSA called BPSOGSA to solve these kinds of optimization problems. The paper also considers integration of adaptive values to further balance exploration and exploitation of BPSOGSA. In order to evaluate the efficiencies of the proposed binary algorithm, 22 benchmark functions are employed and divided into three groups: unimodal, multimodal, and composite. The experimental results confirm better performance of BPSOGSA compared with binary gravitational search algorithm (BGSA), binary particle swarm optimization (BPSO), and genetic algorithm in terms of avoiding local minima and convergence rate
چکیده
الگوریتم PSOGSA یک الگوریتم بهینه‌سازی ترکیبی جدید است که قدرتمندی الگوریتم بهینه‌سازی گروه ذرات و الگوریتم جستجوی گرانشی را با یکدیگر ترکیب می‌کند. قبلا اثبات 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 بهینه‌سازی آماری را می‌تواند در زمینه‌های مختلف یافت…