ACPSO: يك الگوريتم جديد بهينه‏سازي گروه ذرات تعاوني با قابليت به‏روزرساني تطبيقي پارامترها

ACPSO: a new cooperative particle swarm optimization algorithm with adaptive updating parameters

چكيده: اين مقاله يك الگوريتم بهينه‏سازي تعاونيPSO1 به نام ACPSO2 را ارايه مي‏دهد كه پارامترهاي وزن اينرسي و ضرايب شتاب را براي هر بعد در هر حلقه به صورت تطبيقي به‏روزرساني مي‏كند. ACPSO با تركيب دو الگوريتم APSO3 و CPSO4 از مزاياي ساختار تطبيقي APSO و ساختار تعاونيCPSO به طور هم‏زمان بهره مي‏برد. ساختار تطبيقي ACPSO باعث مي‏شود در هر مرحله از اجراي الگوريتم پارامترها با مناسب‏ترين مقدار خود، معادله سرعت را به‏روزرساني كنند تا در نهايت، الگوريتم در تكرارهاي كمتري به جواب رسيده و سرعت هم‏گرايي افزايش يابد. ساختار تعاوني ACPSO باعث مي‏شود: 1) براي حل مساله‏هاي با ابعاد بالا مفيد باشد؛ 2) با افزايش تنوع جمعيت، از گير افتادن در بهينه محلي جلوگيري كرده و نرخ هم‏گرايي را بهبود بخشد و 3) بر خلاف روش‏هاي ديگر كه ممكن است برخي از مولفه‏ها را بدتر و بقيه را بهتر كنند، ACPSO در هر مرحله كليه ابعاد مساله را بهبود ‏دهد. ACPSO در مقايسه با ساير روش‏ها كه ساختار غيرتعاوني دارند و پارامترها را به‏ صورت ثابت، متغير با زمان يا تطبيقي مقداردهي مي‏كنند، در بهينه‏سازي توابع محك استاندارد تك‏قله‏اي و چندقله‏اي به پاسخ‏هاي بسيار بهتري رسيده است. همچنين مقايسه روند تغييرات پاسخ‏ها نشان مي‏دهد كه ACPSO سريع‏تر از ساير روش‏ها حتي روش تعاوني غير تطبيقي هم‏گرا مي‏شود. واژه‏هاي كليدي: بهينه‏سازي گروه ذرات، به‏روزرساني تطبيقي پارامترها، بهينه‏سازي گروه ذرات تعاوني.

Abstract: This paper presents a particle swarm optimization algorithm named ACPSO that adaptively updates inertia weight and acceleration coefficients of each dimension for every particle in each cycle. ACPSO simultaneously uses the advantages of adaptive structure of APSO and cooperative structure of CPSO by combining them. Adaptive structure of ACPSO allows updating velocity equation with most appropriate value of parameters in each cycle so that response will produce in less iteration. Cooperative structure of ACPSO has caused to 1) be useful to solve high dimensional problems; 2) prevents trapping in local optimum using increases the population diversity; 3) improves all dimensions of problem in each cycle unlike other methods that may be in some of the components are better and in others worse; application of the new ACPSO algorithm on several benchmark optimization problems shows a marked improvement of performance rather than other methods that have non cooperative structure with constant, time varying or adaptive parameters initializing. Compare of convergence speed shows that convergence speed of ACPSO is faster than other methods even non adaptive cooperative method. Keywords: Particle Swarm Optimization, adaptive updating parameters, Cooperative Particle Swarm Optimization.