ارائه يك الگوريتم چند جمعيتي مبتني بر ازدحام ذرات براي حل مسائل بهينه‌سازي پويا

Introducing a Multi Population Algorithm based on PSO for Solving Dynamic Optimization Problems

بسياري از مسائل بهينه‌سازي در دنياي واقعي پويا مي‌باشند. در اين مسائل بهينه سراسري و بهينه‌هاي محلي در طول زمان تغيير مي‌كنند. نشان داده‌شده كه استفاده از الگوريتم‌هاي يادگير تقليد از طبيعت براي مواجهه با اين مسائل مناسب هستند. در ميان الگوريتم‌هاي مختلف بهينه‌سازي براي محيط‌هاي پويا در سال‌هاي اخير الگوريتم بهينه‌سازي گروه ذرات توجه زيادي را به خود جلب كرده است. در اين مقاله يك الگوريتم مبتني بر الگوريتم بهينه‌سازي گروه ذرات براي محيط‌هاي پويا ارائه شده‌است. اين الگوريتم يك روش چندجمعيتي است كه ذرات به دو دسته خنثي و كوانتومي تقسيم مي‌شوند. توليد اوليه جمعيت در اين‌روش بر اساس نظريه آشوب صورت مي‌گيرد. نشان داده‌شده كه روش‌هاي چندجمعيتي براي حفظ تنوع ذرات در محيط مناسب هستند. در اين‌روش توليد زيرجمعيت‌ها به‌صورت تطبيقي صورت مي‌گيرد. در اين‌روش از عملگر كنترل ذرات خنثي استفاده‌شده است. اين عملگر نواحي متروكه و بد را براي ذرات خنثي شناسايي مي‌نمايد. هم‌چنين در اين‌روش به‌جاي عملگر ضدهمگرايي كه در روش مشابه معرفي شده‌است؛ از يك عملگر ديگر استفاده‌شده كه كارآيي مناسب‌تري را از خود نشان داده است. در اين‌روش براي بهبود جستجوي محلي در هر زيرجمعيت از يك روش تپه‌نوردي بهبوديافته استفاده شده ‌است. آزمايش‌ها مختلفي بر روي روش پيشنهادي انجام‌گرفته است.

Many real-world problems are dynamic, requiring an optimization algorithm which is able to continuously track the changing optima over time. Typical examples include recognition of the moving objects in changing background; constructing financial trading models in various changing market conditions; data mining in continuously updating databases; scheduling problems with dynamic available resources; vehicle routing in traffic networks of dynamic traffic flow, etc. which requires the optimization algorithms to be able to find and track the changing optima efficiently over time. Among various algorithms for dynamic optimization, particle swarm optimization algorithms (PSOs) are attracting more and more attentions in recent years. We have proposed three algorithms based on PSO for dynamic environments. The proposed algorithms are the multi-swarm algorithms. In the traditional research it is shown that the multi swarm algorithms are suitable for creating diversity in the environments. In this paper, we propose an adaptive strategy for dynamic envirounments. The adaptive strategy increases convergence speed of the algorithm. The proposed algorithm uses several suitable operators for increasing the efficiency of the algorithm. One of the operators in the proposed algorithm is the trajectory control operator. The proposed algorithm has the best results rather than the state-of-the-art.