الگوريتم‌ بهينه‌سازي ازدحام ذرات بهبوديافته مبتني بر يك كلاس نوين از استراتژي‌هاي ضرائب يادگيري كارآمد و سريع

An Improved Particle Swarm Optimizer Based on a Novel Class of Fast and Efficient Learning Factors Strategies

الگوريتم بهينه‌سازي ازدحام ذرات (PSOالگوريتم بهينه‌سازي ازدحام ذرات (PSO) يك روش بهينه‌سازي فراابتكاري مبتني بر جمعيت است كه مي‌تواند براي طيف وسيعي از مسائل به‌كار گرفته شود اما اين الگوريتم ايراداتي هم دارد؛ مانند اين‌كه به‌راحتي در نقاط بهينه محلي گير مي‌افتد و در مراحل پاياني دچار كندي همگرايي مي‌گردد. به‌منظور حل اين ايرادات، تاكنون انواع الگوريتم‌هاي PSO بهبوديافته (IPSO) پيشنهاد شده است. جهت ايجاد يك تعادل بين ويژگي‌هاي پويش و بهره‌برداري PSO، اين مقاله الگوريتم‌هاي IPSO مبتني بر يك كلاس جديد از ضرائب يادگيري نمايي (ELF-PSO) را معرفي مي‌نمايد كه از لحاظ محاسباتي كارآمد و سريع مي‌باشند. اين كلاس شامل استراتژي‌هاي ضرائب يادگيري نمايي متغير با زمان (TELF)، ضرائب يادگيري نمايي تصادفي (RELF)، ضرائب يادگيري نمايي خود-تنظيم (SELF) و ضرائب يادگيري نمايي خطي (LELF) است. آزمايش‌هاي متعددي براي مقايسه روش‌هاي پيشنهادي با يك مجموعه از استراتژي‌هاي معروف ضرائب يادگيري ثابت، تصادفي، متغير با زمان و تطبيقي بر روي يك سري از توابع معيار غيرخطي انجام پذيرفت. نتايج تجربي و تحليل‌هاي آماري ثابت مي‌كنند كه الگوريتم‌هاي ELF-PSO قادرند دسته وسيعي از مسائل بهينه‌سازي غيرخطي دشوار را به‌طور كارآمدي حل كنند. همچنين نتايج آزمايش‌ها نشان مي‌دهد كه روش‌هاي پيشنهادي، در اغلب موارد بهتر از ساير الگوريتم‌ها عمل مي‌كنند.

The particle swarm optimizer (PSO) is a population-based metaheuristic optimization method that can be applied to a wide range of problems but it has the drawbacks like it easily falls into local optima and suffers from slow convergence in the later stages. In order to solve these problems, improved PSO (IPSO) variants, have been proposed. To bring about a balance between the exploration and exploitation characteristics of PSO, this paper introduces computationally fast and efficient IPSO algorithms based on a novel class of exponential learning factors (ELF-PSO). This class contains time-varying exponential learning factors (TELF), random exponential learning factors (RELF), self-adjusting exponential learning factors (SELF) and linear-exponential learning factors (LELF) strategies. Experiment is performed and compared with a set of well-known constant, random, time-varying and adaptive learning factors strategies on a suite of nonlinear benchmark functions. The experimental results and statistical analysis prove that ELF-PSO algorithms are able to solve a wide range of difficult nonlinear optimization problems efficiently. Also these results show that the proposed methods outperform other algorithms in most cases.