ارائه يك الگوريتم فرا اكتشافي جديد مبتني بر رفتار پرنده تيهو براي حل مسائل بهينه سازي پويا

Introducing a new meta-heuristic algorithm based on See-See Partridge Chicks Optimization to solve dynamic optimization problems

الگوريتم SSPCO گونه ‌اي از الگوريتم هاي هوش جمعي و برگرفته‌شده از رفتار پرنده تيهو است. كارآيي اين الگوريتم براي حل مسائل بهينه‌سازي ايستا به اثبات رسيده است؛ اما اين كارآيي اين الگوريتم تا به حال براي حل مسائل بهينه سازي پويا مورد آزمايش قرار نگرفته است. به‌دليل ماهيت NP-Hard بودن مسائل پويا، اين الگوريتم به‌تنهايي قادر به حل اين گونه از مسائل بهينه‌سازي نمي‌باشد. بنابراين براي اين كه الگوريتم قادر به رديابي بهينه متغير در اين مسائل باشد، بايد راهكارهايي به همراه اين الگوريتم ارائه داد كه بتوانند عملكرد اين الگوريتم را درمواجهه با محيط هاي پويا افزايش دهد. در اين مقاله دو راه حل براي تركيب با الگوريتم SSPCO ارائه شده است كه عبارتند از، روش چندجمعيتي و حافظه با تخمين تراكم گوسي. مشكلي كه در اكثر روش هاي چندجمعيتي وجود دارد اين است كه با افزايش كنترل نشده جمعيت، سرعت و راندمان الگوريتم به تدريج كاهش مي يابد. روش چندجمعيتي ارائه شده در اين مقاله به صورت تطبيقي با فضاي مسئله مي باشد، و هر زمان كه نياز به افزايش جمعيت باشد يك جمعيت به صورت تطبيقي ايجاد مي شود و اين موضوع باعث مي شود كه مشكل روش هاي قبلي كاهش يابد. يكي از مواردي كه در حل مسائل غيرقطعي بايد مشخص شود، استفاده از داده هاي گذشته نزديك براي پيش بيني آينده نزديك است. در اين مقاله با توجه به اين موضوع براي حفظ اطلاعات گذشته از يك نوع خاصي از حافظه استفاده شده است. در اين روش از حافظه جديدي به نام حافظه تخمين تراكم گوسي استفاده شده است. اين حافظه عيوب حافظه استاندارد را برطرف نموده و باعث بهبود كارآيي الگوريتم پيشنهادي مي شود. براي آزمايش كارآيي روش پيشنهادي از تابع معروف محك قله‌هاي متحرك كه رفتاري شبيه به مسائل پويا را شبيه‌سازي مي‌كند، استفاده شده است. الگوريتم پيشنهادي با 10 تا از مشهورترين الگوريتم هاي بهينه سازي پويا مقايسه گرديده است. همان گونه كه از نتايج تجربي و آزمايش ها مشخص مي باشد روش پيشنهادي توانسته خطاي برون خطي را تا حدود بسيار زيادي نسبت به ساير روش كاهش دهد و خطاي توليد شده براي روش پيشنهادي بسيار ناچيز است.

The SSPCO (See-See Particle Chicks Optimization) is a type of swarm intelligence algorithm derived from the behavior of See-See Partridge. Although efficiency of this algorithm has been proven for solving static optimization problems, it has not yet been tested to solve dynamic optimization problems. Due to the nature of NP-Hard dynamic problems, this algorithm alone is not able to solve such optimization problems. Therefore, to enable the algorithm to optimally track the variable in these problems, it is necessary to be provided solutions with this algorithm so that can increase the performance of this algorithm for dynamic environments. In this paper, two solutions for combining SSPCO are presented: (1) the multi-swarm method and (2) memory with Gaussian density estimation. The problem with most multi-swarm methods is that as the population increases uncontrollably, the speed and efficiency of the algorithm gradually decreases. The multi-swarm methods presented in this paper is adapted to the problem space, and whenever there is a need to increase the population, a population is created adaptively, and this reduces the problems of previous methods. One of the issues that is being addressed to solve uncertainty problems is prediction of near future using data of the near past. In this article, to preserve past data a new memory called Gaussian density estimation memory is used. This memory fixes standard memory defects and improves the performance of the proposed algorithm. To evaluate the efficiency of the proposed method, the well-known moving peak benchmark function, which simulates behavior of dynamic problems, is used. The proposed algorithm is compared with the 10 most popular dynamic optimization algorithms. According to the experimental results, the proposed method reduces offline error to a great extent compared to other methods and the error produced by the proposed method is very small.