مقاله یک رویکرد ماشین های یادگیری برای بهینه ساز ازدحام ذرات همیاری (2014 Jist)

1.مقدمه

2. بهینه ساز ازدحام ذرات (PSO)

2.1 فرمولاسیون متداول PSO

2.2 یادگیری همیاری در PSO

2.3 الگوریتم های PSO مبتنی بر همیاری

2.4 طرح ارزیابی PSO در مقابل CPSO

3. ماشینهای خودکار یادگیری (LA)

3.1 فرمولاسیون متداول LA

3.2 الگوریتم های PSO مبتنی بر LA

4.2 معرفی سناریوهای همیاری غیر سازگار

4.3 توصیف رفتار همیاری سازگار CPSOLA

4.4 تحلیل رفتار همیاری سازگار CPSOLA

5. مطالعه آزمایشی

5.1 آماده سازی شبیه سازی

5.2 آزمایش 1: بهینه سازی تابع

5.3 آزمایش 2: گراف همگرایی

5.4 آزمایش 3: آنالیز نیرومندی

5.5 تحلیل آزمایشات

6. نتیجه گیری

This paper presents a modification of Particle Swarm Optimization (PSO) technique based on cooperative behavior of swarms and learning ability of an automaton. The approach is called Cooperative Particle Swarm Optimization based on Learning Automata (CPSOLA). The CPSOLA algorithm utilizes three layers of cooperation which are intra swarm, inter swarm and inter population. There are two active populations in CPSOLA. In the primary population, the particles are placed in all swarms and each swarm consists of multiple dimensions of search space. Also there is a secondary population in CPSOLA which is used the conventional PSO’s evolution schema. In the upper layer of cooperation, the embedded Learning Automaton (LA) is responsible for deciding whether to cooperate between these two populations or not. Experiments are organized on five benchmark functions and results show notable performance and robustness of CPSOLA, cooperative behavior of swarms and successful adaptive control of populations.

این مقاله اصلاح تکنیک بهینه سازی ازدحام ذرات (PSO)، بر مبنای رفتار همیاری ازدحام ها و توانایی یادگیری یک ماشین خودکار (اتوماسیون) را ارائه میدهد. این رویکرد، بهینه سازی ازدحام ذرات همیاری بر مبنای ماشینهای یادگیری (CPSOLA) نامیده میشود. الگوریتم CPSOLA از لایه های همیاری استفاده میکند که ازدحام داخلی، ازدحام بینی و جمعیت بینی میباشند. دو جمعیت فعال در CPSOLA وجود دارد. در جمعیت اصلی، ذرات در کل ازدحامها واقع میشوند و هر ازدحامی از ابعاد متعدد فضای جستجو تشکیل میشود. از این گذشته، یک جمعیت ثانویه در CPSOLA وجود دارد که طرح تکامل PSO متداول مورد استفاده قرار میگیرد. در لایه فوقانی همیاری، ماشین خودکار یادگیری تعبیه شده (LA) مسئول تصمیم گیری در مورد این مساله است که آیا بین این دو جمعیت همکاری داشته باشد یا خیر. آزمایشات بر پنج تابع محک سازمان دهی میشوند و نتایج عملکرد قابل توجه و قدرت CPSOLA، رفتار همیاری ازدحام ها و کنترل سازگار موفق جمعیتها را نشان میدهند.