الگوريتم بهينه‌سازي جستجوي ابركروي مبتني بر نظريه آشوب

Hyper Spherical Search Optimization Algorithm Based on Chaos Theory

در اين مقاله الگوريتم بهينه سازي جستجوي ابركروي با استفاده از نظريه آشوب ارائه مي شود كه ضعف الگوريتم بهينه سازي جستجوي ابركروي استاندارد، يعني سرعت همگرايي و افزايش تعداد تكرار اجراي الگوريتم براي رسيدن به جواب بهينه را برطرف مينمايد. در الگوريتم پيشنهادي، در گام ايجاد ذرات و گام جستجو، مقادير حاصل از دو نگاشت چبيشف و ليبوويچ، جايگزين مقادير تصادفي موجود در الگوريتم استاندارد مي شود كه اين امر باعث بهبود نتايج حاصل از اجراي الگوريتم شده و انحراف معيار نتايج را كاهش مي دهد. نتايج شبيه سازي بر روي توابع محك استاندارد نشان مي دهد كه الگوريتم پيشنهادي ضمن برخورداري از همگرايي سريع تر، دقت بيشتري نيز در يافتن جواب بهينه نسبت به الگوريتم جستجوي ابركروي استاندارد و همچنين الگوريتم هاي بهينه سازي ديگر نظير ژنتيك، ازدحام ذرات و الگوريتم جستجوي هارموني دارد.

A Hyper Spherical Search (HSS) optimization algorithm based on chaos theory is proposed that resolves the weakness of the standard HSS optimization algorithm including the speed of convergence and the sequential increment in the number of algorithm iterations to achieve the optimal solution. For this, in the particle initiation and search steps of the proposed algorithm, random values used in the standard algorithm are replaced with the values of two mappings, Chebyshev and Liebovitch, that makes the results of the proposed algorithm definite and decreases their standard deviation. The simulation results on the standard benchmark functions show that the proposed algorithm not only has faster convergence, but also acts as a more accurate search algorithm to find the optimal solution in comparison to standard hyper spherical search algorithm and some other optimization algorithms such as genetic, particle swarm, and harmony search algorithm.