بهبود عملكرد الگوريتم رقابت استعماري و كاربرد آن در كنترل پرواز بالگرد

Improving the Performance of Imperialist Competitive Algorithm and Its Application in Helicopter Flight Control

در اين مقاله هدف بهبود عملكرد الگوريتم رقابت استعماري است. روش مورد استفاده افزودن جستجوي محلي به الگوريتم است كه در دو مرحله صورت مي گيرد. در مرحله‌ي اول انتخاب پارامترهاي بهينه‌سازي به نوعي هوشمندانه انجام مي‌شود و جمعيت به سمت نقطه‌ي بهينه هدايت مي‌شوند. در مرحله‌ي دوم پس از هر 10 تكرار، يك جستجوي محلي در ميان مستعمره‌ها و استعمارگر چند فرمانروايي قدرتمند انجام مي‌شود تا ضمن عدم ايجاد تغيير محسوس در فرايند رسيدن به جواب، پاسخ دقيق‌تري حاصل شود. روش بر روي تمامي فرمانروايي‌ها اعمال نمي‌شود تا حجم محاسبات افزايش نيابد. الگوريتم ارائه شده با توابع محك سنجيده شده‌است و طبق مقايسه‌ي انجام‌شده ميان عملكرد آن‌ها، عملكرد الگوريتم اصلي در هنگام افزايش تعداد ابعاد مساله بهبود يافته‌است. با تعداد پارامترهاي مجهول كمتر، هم زمان همگرايي و هم پاسخ كمينه‌ي نهايي در دو روش نزديك به هم هستند، اما با افزايش تعداد ابعاد مساله، زمان حل به بيش از نصف كاهش و ميزان كمينه تا بيش از 10 مرتبه‌ي اعشار بهبود يافته‌است. در انتها از اين روش براي بهينه‌سازي در يافتن بهره‌هاي كنترلي مناسب براي كنترل بالگرد استفاده شده‌است.

In this paper, the purpose is to improve the performance of the Imperialist Competitive Algorithm. Local search is added to the algorithm and this is done in two stages. In first stage, selection of the initial optimization parameters for starting the problem is done wisely and the population is leaded to optimal point. In second stage, after each 10 iterations a local search is performed between colonies and the imperialist of some of the strongest empires, in order to gain more accurate answers while not making a notable change in the process of reaching the answer. This method is not applied to all empires, so that calculations would not overflow. The proposed algorithm is tested using benchmark functions and based on the comparisons, the performance of the initial algorithm is much more improved when dimensions of the optimization problem goes higher. With few unknown parameters, conversion time and final minimum values are close in both methods, but by increasing the dimensions of the problem, even in some cases total calculation time is reduced to a half and the accuracy of minimum value is improved by 10 orders of magnitude. At the end, one application of the method is investigated in finding the suitable control gains for controlling a helicopter, which is a relatively a new application, and the performance is evaluated comparing to pole-placement and by state-feedback control.