الگوریتم بهینه سازی ازدحام ذرات

صفحه 1:
موضوع ارائه الگوریتم بهینه سازی ازدحام ذرات ‎faeze.d.1373@gmail.com: 0!‏ 01/01/2025 

صفحه 2:
تاريخ كار آنان منجر به ايجاد الكوريتمى قوى براى بهينه سازى, به نام الكوريتم بهينه سازی ازدحام ذرات(90© شد. 

صفحه 3:


صفحه 4:


صفحه 5:
محاسبات فضاى جند بعدى به صورت 4 * محسابات در زمان ۳۹۹" گام های ز. پاسخگویی گروه ذرات به فاکتوررهای تخصیص پاسخ ها بين بهترين موقعيت ملاقات شده ذره و گروه ذرات خود هنگامی که بهترین موقت مشاهده شده توسط ذره و گروه ذرات تغيير كند تطابق حالت خود با بهترين موقعيت ملاقات شده توسط ذره و گروه ذرات 

صفحه 6:
الگوریتم بهینه سازی ازدحام ذرات **يك روش سراسری بهینه سازی. **حل مسائلى که جواب آن ها به صورت نقطه يا سطح در فضای "بعدی می باشد. = 0606© s 

صفحه 7:
الگوریتم بهینه سازی ازدحام ذرات ۱-اختصاص یک سرعت ابتدایی به ذرات ۲-حرکت این ذرات در فضای پاسخ ۳-محاسبه نتایج حاصله بر مبنای یک ((ملاک شایستگی)) پس از هر بازه زمانی ۴-افزایش شتاب ذرات با ملاک شایستگی بالاتر در یک گروه با ارتباط یکسان ۵-در نهایت همگرایی ذرات با تکرار الگوریتم 

صفحه 8:
الگوریتم بهینه سازی ازدحام ذرات 

صفحه 9:
الگوریتم بهینه سازی ازدحام ذرات 

صفحه 10:
الگوریتم بهینه سازی ازدحام ذرات 

صفحه 11:
‎rst PGO‏ امرس ‏همسایگی یک ذره با استفاده از توپولوژی ستاره کل ذرات گروه. ‎age‏ اتصال ذرات به یکدیگر 

صفحه 12:
‎est PGO‏ اراس ‏( ۳۵ ۳ .۶0| 2۳۵۶ ((ابنء كر( + )ممم ع ‎(1d)‏ ‎F‏ تابع مااکشایستگیدی67 ‎aa‏ بيووسسسه: ‏** > سايز كروه(تعداد ذرلك ** سرعت ذره ابه صورت زير محاسبه مى شود: ‏((),>7)0)(), مس ((1), >< (ا),)(), رسيس () ‎Ol) = wu,‏ لله وززلینرسی ‎AG TW‏ ‎ry, (re, ()‏ ی کنولختهر بایم ی ‎GY)‏ ,37 سرعنتلمین‌منصر از بردار سرعنفره ا 

صفحه 13:
‎rst PGO‏ امرس ‎ 

صفحه 14:
0 بوء9) امرس ساارتباط موجود بین مقادیر ثابت و وزن, موجود به منظور تضمیه, رسید,, به جواب بهینه[۲]. ween (6 te}/2-1 (we درق بهنكام سازى سرعت نحوه ى بهنكام كردن موقعيت ذره ثام جم رحج 0) رع - لج 6 بد بهنكام سازى موقعيت ذره 

صفحه 15:
‎Best PGO‏ امصمرا ‏برقراری ارتباط ذره با تعدادی از استفاده از توپولوژی حلقه ذرات در همسایگی به منظور به جهت برقرارى ارتباط بين روز نمودن سرعت حرکت ذرات 

صفحه 16:
‎Best PGO‏ امصمرا ‏)یی )یی اب ‎atte ye flies) =min{f(y(9)}.vy, eM}‏ (قار - ) ,ناريت + دار لاخ 

صفحه 17:
توپولوژی با ساختار شبکه اجتماعی 

صفحه 18:
توپولوژی یا ساختار شبکه اجتماعی 0 6م و09 بجع 00 مت “On 0 Sar topology Ring Topology Von Neunana Topolog Shc ‎Toplogs‏ اماق رویز ‎ 

صفحه 19:
peu ‏مشکلات‎ احتمال قرارگیری ذرات در بهینه محلی-» همگرایی به یک نقطه خاص بين بهترين موقعيت عموم ‎ete‏ سخصى #وابستگی به مساله >در نتیجه تغییرات در تنظيم يارامترهاى الكوريتم و عدم توانایی استفاده از یک پارامتر برای کلیه ی مسائل 

صفحه 20:
مفاهیم پایه ای ۳2۳ 

صفحه 21:
وزن ابنرسی وزن اینرسی ضریب سرعت قبلی ذره می باشد که مشخص می نملید سرعت قبلی ذره تا چه اندازه در محاسبه سرعت فعلی فره«دخیل اد مقدار تصادفی ۰ كاهش خطى وزن اينرسى 8 کاهث ‎i as Se‏ © هش غیر خطی وزن اینرسی وزن اينرسى تطبيقى فازى 9 فاكتور انقباض © 

صفحه 22:
وزن ابنرسی مقدار دهی وزن به صورت تصادفی توسط توزیع گوسین (۱۸/()60/۳,0 می باشد به گونه ای که سماز ۱ بزرگتر نباشد. در نظر گرفتن وزن اینرسی با مقیاسی از مولفه های شناختی و اجتماعی |۳/. ( مت 

صفحه 23:
وزن ابنرسی بالا در نظر گرفتن وزن در ابتدای الگوریتم(۰.۹) و کاهش آن به مرور زمان. + ماکزيمم تسعداد تکوا ‎ots‏ (6)مه 507 3 (0 vat vf) ‏ماکزیمم تعاد تکرارهاوا اگوییتم (4/)60* وززلینرسیلولیه‎ xy ‎D(x)‏ مقنار نهايىويزلينرسى ()سمه ويزلينرسودر تكرار لم الكوييتم ا ‏در [۳] وزن های اینرسی از ۰.۴ به ‎۰.٩‏ افزایش داده شده است. 

صفحه 24:
وزن ابنرسی کاهش وزن به صورت غیرخطی روابط مورد استفاده به منظور محاسبه ی وزن به صورت زیر می باشد: رابطه ی مورد استفاده در ۴ا: و ‎sory‏ لازاه حزم ‎wih‏ ‏4 + ,7 رابطه ی مورد استفاده در [۵ا: ‎w@+1)=awt') .@ = 0.975‏ 

صفحه 25:
وزن ابنرسی تنظیم وزن اینرسی توسط مجموعه و قوانین فازی [۶. ورودی: وزن اینرسی ذره و بهترین موقعیت ملاقات شده توسط کل گروه خروجی: مقدار وزن اینرسی جدید سه مجموعه به نام های ۲16917 ,1601612600,"1)(), (261),ا وجود دارند که توابع عضویت این مجموعه ها مثلثى شكل در نظر گرفته شده اند. تعداد قوائین فازی ۶ قانون می باشد که نمونه ای از آن به صورت زیر می باشد: ‎is LOO thea‏ اون نورب شوه امه له ,را و عوص توص توس ۳ 

صفحه 26:
وزن ابنرسی استفاده به منظور اطمینان از همگرا شدن و انتخاب مقادیر جت۲رم1۸,۲ 1 افزایش کارایی و نرخ همگرا شدن 

صفحه 27:
مهار كردن سرعت 4 در بيشتر الكوريتم ها به منظور ايجاد تعادل بين جستجوى عمومى و مخلى متافلة سرعت ذره را تفر می دهد و کاهی سرعت دره سيار رياف رت 4> براى مهار نمودن سرعت ذره در ‎]٩[‏ یک حد آستانه ای به نام ۲ برای سرعت ذره در نظر گرفته شده است که سرعت ذره نبلید از لين حد فراتر برود. 

صفحه 28:
پارامترهای 66 استاندارد ارتباط مستقیم بین تعداد ذرات و پیچیدگی الگوریتم وابستگی مقدار مناسب ذرات به مسالة اندازه گروه 

صفحه 29:
پارامترهای (۳96) استاندارد تاثیر در تعامل بين ذرات اندازه همسایگی سایز همسایگی کم کاهش تعامل بین ذرات, نرخ همگرایی ا فک اگوی شود کوچک در ابتدا و ستمی بزر درنظر گرفتن آن[٩].‏ 

صفحه 30:
پارامترهای 66 استاندارد اكر 00> دريس -> ذرات فقط با سرعت خاصى بدون هدف در ‎Leb‏ کت سل کیب ‎phate‏ ‏فقط ‎Ss‏ اگر <م, لس فقط به بهترین فرد که توجه در [؟] بارامترهاى يعوو كتتديه صورت خطی کاهش داده شده اند 15 رچندان ‎“ols all>‏ ضرایب سرعت 

صفحه 31:


صفحه 32:
استفاده از ۵0 برای حل مساله فروشنده دوره گرد در این مسئله با یک گراف وزن دار 68 سروکار داریم: ,۵-0۵ 6( مجموعه رلس‌ها 42 مجموعه ی ال(هایوزن‌دار هریال از مجموعه م) نیز با سه تایی (,0,) مشخص می شود که در آن [01,...,)0) زر رآس های ابتدا و انتهای یال و ,ها وزن یال را مشخص می کند. تابع هدف: کمینه کردن مجموع وزن یال های دورهای همیلتونی فضایی جستوی مسئله: مجموعه ای متناهی از دورهای همیلتونی در گراف. موقعیت هر فرد جمعیت در 660 : دنباله رتوس هر دور همیلتونی. اگر موقعیت یک فرد از جمعیت (هبرمل",م۰..,۳,رو) ۳ باشد. تابع برازش ‎he‏ برابر اه ۳ ‎tx) Shes‏ i=] 

صفحه 33:
استفاده از ۵0 برای حل مساله فروشنده دوره گرد موقعیت هر فرد به صورت یک ترکیب حلقوی از اعداد ۱ تا (1) می باشد. نبلید در آن عدد تکراری وجود داشته باشد. گرهای مورد نیاز عبارتند از : ‎Move(position , velocity) 28» position‏ ‎Subtraction(position , position) > velocity‏ Addition(velocity , velocity, "> velocity Multiplication(real_number , velocity) "> velocity اه )۱ بردار سرعت و عملگر حرکت(/()) برتار سرعت بایة طوری: تعریف لبود که وقئین-ذر.خر موخله زمالی به برذار موقعيت یک فرد اعمال ظوذ» برقار موقعیت دیگری را نتیجه بدهد. سرعت ‏ برای هر فرد به صورت دنبلله ای از " جابجایی " های مولفه های موقعیت آن فرد تعریف می شود. بنابراين داريم اس |: طول دنباله مال طول دنه ۱ 

صفحه 34:
استفاده از ‎PGO‏ برای حل مساله فروشنده دوره گرد اعمال سرعت ۶ به یک بردار موقعیت بدین معنی است که ابتدا مولفه ما و مز در بردار موقعیت با هم < <جابه جا> >شوندوپس از آن مولفه های ور و جرا و به همین ترتیب تا ,رآ ور با هم جابجا گردند,بنابراین عملگر حالت(جمع مو قعیت باحرکت)به صورت مجموعه ای ازجابجایی ها در بردار موقعیت تعریف میشود که جابجایی ها به وسیله بردار سرعت معين 7 ميكردد. © © 

صفحه 35:
استفاده از ‎PGO‏ برای حل مساله فروشنده دوره گرد * وم« بسردار هایموقعیت تفاضل این دو بردار,بردار سرعتی مانند ماست که اگر اين سرعت به 0< اعمال شود را نتيجه میدهد. **الكوريتم محاسبه تفاوت ,»تون« بصورت زیر است: ( ید - بدا ح ند - ود x, =x, > ‏ند - ند‎ < 2 

صفحه 36:
استفاده از ‎PGO‏ برای حل مساله فروشنده دوره گرد *#* ۳۳9 بردار هایسرعت Oy Os ‏جمع این دویرداز بزابر با برداز سرمیی ایس که از اتسان دتباله های جانجایی سای مربوظ‎ Jol ‏به وه به انتهای دنباله ی مربوط به وا به دست می آید.‎ ** چون بعضی از جابجایی ها اثر یکدیگر را خنثی می کنند, دنباله حاصل از اتصال یه را می توان کوچکتر کرد. 

صفحه 37:
استفاده از ‎PGO‏ برای حل مساله فروشنده دوره گرد فرض کنید: 7 یک عدد حقیقی و بردار سرعت خالت هاى نه بسته به حالت ۶ عبارتست از: احالت ۱ > 220 :در این حالت فرض مى كنيم ]|2 | برابر با | می پاشد . در حالت خاص ()‌داریم:0)ترجر ۲حالت21در این ‎wel aS DEK ig: jo dle‏ [),(0)] ۲2 می باشدبنابراین: ‎“sll sabes epee ale‏ روج زج ها نو رح times ۳حالت()>در این حالت بانوشتن/ بصورت (-67(-۷) به یکی از حالات بالا تبدیل می شود. 

صفحه 38:
استفاده از ‎PGO‏ برای حل مساله فروشنده دوره گرد PEP alls 9 PCO 92,35! floc! ogous {is = wv, Ge, .rand()(pbest — present, )® c;.rand ()(ghest — present, ) present,., = present, +V,., imp OO, 43h P= pest + (gbest~ pest) (a) ‎—presenr,) (2)‏ )ارت + رباع رید ‎l present; = present, + Vier‏ 

صفحه 39:
نتایج به‌دست آمده برای تست الگوریتم شرح داده شده در بخش قبل, از یک گراف با ۱۷ رأس استفاده شده است. ماتریس وزن یالهای گراف در شکل ۱ آمده است. اين گراف از دادگان 151113 انتخاب شده و طول بهترین دور هامیلتونی موجود در آن ۳۹ می‌باشد. جمعیت در نظر گرفته شده برای ۳50 دارای ‎٩۰‏ فرد می‌باشد که موقعیت اولية آنها به‌طور تصادفی انتخاب می‌شود. سرعت اولية افراد جمعیت نیز صفر(0) در نظر گرفته می‌شود. با استفاده از الگوریتم ۳50 و روابط () و (8) موقعیت و سرعت افراد جمعیت تغییر می‌يابد. پارامترهای "۱ و ر") در رابطة (ط) به ترتیب برابر با ۰/۵ و ۲ انتخاب شده‌اند. شرط توقف الگوریتم رسیدن به یک ماکزیمم تعداد تکرار می‌باشد که در این آزمایش حداکثر ۸۰ تکرار در نظر گرفته شده است. الگوریتم چند بار با پارامتهای مذکور اجرا شده است که در پنجمین اجراء تور بهینه (با طول ۲۹) به‌دست آمده است. جدول ۱ نتایج به‌دست آمده از الگوریتم را در پنج بار اجرا نشان می‌دهد. همان طور که مشاهده می‌شود سایر نتایج به‌دست آمده نیز به جواب بهینه نزدیک می‌باشند. تستهای مختلف نشان داده است که سایز جمعیت عامل موّثری در جواب نهایی می‌باشد و با افزایش سایز جمعیت. جوابهای بهتری حاصل می‌شود (هر چند که با افزایش سایز. سرعت اجرا پایین می‌آید». ولی افزایش تعداد دفصات تکرار تأثیر چندانی بر جواب نهایی ندارد و تعداد تکرار زیاد. نتایج بهتری نمی‌دهد. 

صفحه 40:
6 مرحله تکرار دور هاميلتونى (تورا ۴ ۴۱ ۳ ۲ ۷۲ ۷ ۸ ۱۷ ۱ ۵ ۴ ۷ ۴ ۱۵ ۶ ۷۲ ۱ ۲ ۱۴ 5 ‏مر‎ |۱۲ ۷ ۴ ۷ ۶ ۴ ۸ ۸ ٩ ۱۲ ۲ ۲۰ ۱۳ ۱ ۲ ۱۴ ۱ ۱۳| ۲ ۸ ۸ ۶ ۵ ۵ ‏ده ده‎ ۰ ۰ |٩ ۸ ۱ ۱ ۶ ۷ ۷ ۴ ۵ ۱۵ ۰ ۱۴ ۱۱ ۱۴ ۳ ۲ ۱۷۲ ٩۱ ۴ ‎A WA | ۲ Wow ۲ ۱۴ ۲ ۷ ۸ ۴ ۱۵۱ ff‏ ۶ ۱۶ ۱ ألهای کرف تخاب شده بای تست تتوریتم. ‎۱۰ ۱۱ ۴ ۲ ۲ ۱۴ ۷۲ ۱ ۶ ۱ ۴ ۷ ۸ ۴ ۱۷ ۸ ٩ ۱۰| ٩ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 41:
جمع بندی و نتیجه کیری 

صفحه 42:
مراجع ]1[- Kennedy, J. and Eberhart, R. C., “Particle Swarm Optimization”, Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ, pp. 1942-1948, 1995 [2]- R. Eberhart and ‏لا‎ Shi. Comparison between Genetic Algorithms and Particle SwarmOptimization. In Proceedings of the Seventh Annual Conference on Evolutionary Programming: pp. 611-619. Springer-Verlag: 1998 [3]- J.Peng , ¥. Chen,, and R.C. Eberhart,Battery Pack State of charge Estimator Design Using Computational Intelligence Approaches. In Proceedings of the annual Battery Conference on Applications and Advances, pages 173-177,2000 [4]- S. Naka ,T. Genji,T. Yura, and Fukuyama, Particle Distribution State Estimiation using Hybrid Particle Swarm Optimization . In IEEE power Engineering Society Winter Meeting, Volum2 , pages 815-820,January 2001 [5]- G. Venter , R.T. Haftka , and J. Sobieszczanski-Sobieski. Multidisciplinery Optimization of a Trasport Artificial Wing using Particle Swarm Optimization , 

صفحه 43:
مراجع ‎Shi and R.C.Eberhart ,Fuzzy Adaptive Particle Swarm Optimization ,‏ .¥ -]6[ ‎In Proceedings of he IEEE Congeress on Evolutionary Computation ,volum‏ ‎1,pages 101-106. IEEE press,May 2001‏ [?]} M. Clerc and J. Kennedy. The Particle Swarm: Explosion. Stability and Convergence in a Multi-Dimensional Complex Space. IEEE Transactions on Evolutionary Computation. vol. 6. pp. 58-73.,2001 ]0[- R. Brits, A.P. Engelbercht , and F. vanden Bergh, A Niching Particle Swarm Optimization , Techical Report, Department of Computer Sience University of Pritoria ]9[- P. N. Suganthan, “Particle swarm optimizer with neighborhood operator,” in Proc. Congr. Evol. Comput., Washington, DC, 1999, pp. 1958- 1962 [a@]- A. Ratnaweera, S. Halgamuge, and H. Watson, “Particle Optimizer with Time varying Acceleration Coefficients . In Proceedings of the international Conference on Soft Computing and Inelligent Systems, pages 240-25, 2002