الگوريتم جمعيت ذرات اطلاع‌دهنده‌ي محلي گرانشي براي حل مسائل بهينه‌سازي چندمُدي

Gravitational Locally Informed Particle Swarm Algorithm for solving Multimodal Optimization Problems

الگوريتم جمعيت ذراتِ اطلاع‌دهنده‌ي محلي، يك روش ساده و مؤثر است كه اخيراً براي حل مسائل بهينه‌سازي چندمُدي ارائه شده است. اين الگوريتم داراي يك ضعف اساسي است: براي محاسبه سرعت يك ذره، شايستگي و فاصله‌ي ذرات همسايه‌ي آن ذره را در نظر نمي‌گيرد، درصورتيكه در نظر گرفتن اين دو پارامتر در محاسبه سرعت مي‌تواند به الگوريتم براي ايجاد يك تعادل مناسب بين همگرايي و تنوع راه‌حل‌ها كمك زيادي كند. در اين مقاله، يك نسخه جديد از اين الگوريتم با نام الگوريتم جمعيت ذراتِ اطلاع‌دهنده‌ي محلي گرانشي ارائه شده است، كه در آن هر ذره موقعيت خود را با استفاده از قوانين گرانش و حركت به سمت بهترين موقعيت همسايگان محلي‌اش تنظيم مي‌كند. در الگوريتم پيشنهادي، هر چه همسايه‌ي محلي يك ذره داراي كيفيت بيشتري باشد يا داراي فاصله‌ي كمتري با ذره باشد، جرم گرانشي بيشتري به آن همسايه تعلق مي‌گيرد و در نتيجه آن همسايه مجاز به اعمال نيروي گرانشي بيشتري به آن ذره مي‌شود. براي بررسي كارايي الگوريتم پيشنهادي، يك ارزيابي تجربي روي چندين تابع محك استاندارد صورت گرفته است. نتايج اين آزمايشات نشان مي‌دهد كه الگوريتم پيشنهادي مي‌تواند نتايج بهتري نسبت به الگوريتم جمعيت ذراتِ اطلاع‌دهنده‌ي محلي و ساير الگوريتم‌هاي بهينه‌ساز چندمُدي به دست آورد.

Locally Informed Particle Swarm (LIPS) is a simple and effective method for solving multimodal optimization problems. Despite the good performance of LIPS’s velocity updating rule, the quality (fitness) of this local neighbors is not considered in calculating the velocity. Considering the quality of neighbors to update the particle velocity can reinforce the search power of LIPS. In this paper, a new version of LIPS with Gravitational velocity updating rule (GLIPS) is proposed. In GLIPS each particle successively adjusts its position towards the best positions of its local neighbors using laws of gravity and motion. In proposed GLIPS, local neighbors with a higher quality get a greater gravitational mass and therefore are allowed to apply the higher gravity force to other particles to attract them. In this case, the particles near good solutions try to attract the other particles which are exploring the search space. We perform a detailed empirical evaluation on the several commonly used multimodal benchmark functions. Our results demonstrate that the new velocity updating rule for LIPS can obtain better results for multimodal function optimization.