بهبود الگوريتم جستجوي گرانشي (GSA) به كمك منطق فازي

Improved Gravitational Search Algorithm (GSA) Using Fuzzy Logic

كارايي روش‌هاي جستجو و بهينه‌سازي هوش جمعي، تمايل محققين را براي استفاده از آن‌ها در مسايل مختلف پيچيده مهندسي به صورت چشمگيري افزايش داده است. از جمله الگوريتم‌هاي مبتني بر هوش جمعي، الگوريتم جستجوي گرانشي (GSA) است كه با الهام از قوانين فيزيكي جاذبه گرانشي و حركت نيوتني، افراد جامعه را كه در واقع جرم‌هاي تصادفي در فضا هستند را به جستجو در فضا وا مي‌دارد. اين مقاله به ارايه مدل جمعيتي جديدي به نام GSA Population Fuzzy مي‌پردازد كه به اختصار آن را FPGSA مي‌ناميم. روش پيشنهادي در واقع تركيبي از دو كنترل‌كننده پارامتريك فازي و الگوريتم جستجوي گرانشي است كه به جستجوي دقيق و منطقي فضا مي‌پردازد. بايد دانست در الگوريتم‌هاي هوش جمعي (و به تبع آن در روش GSA)، اندازه جمعيت عامل تاثير‌گذاري بر پاسخ نهايي است به نحوي كه با زياد شدن اين جمعيت پاسخ‌هاي بهتري حاصل شده و به تبع آن زمان اجراي الگوريتم طولاني‌تر مي‌شود كه براي رفع اين مشكل پارامتري جديد به نام ضريب پراكندگي به الگوريتم افزوده‌ايم تا عملكرد بهتر سيستم را با كنترل اين ضريب مورد ارزيابي قرار دهيم.

Researchers tendency to use different collective intelligence as the search methods to optimize complex engineering problems has increased because of the high performance of this algorithms. Gravitational search algorithm (GSA) is among these algorithms. This algorithm is inspired by Newtonʹs laws of physics and gravitational attraction. Random masses are agents who have searched for the space. This paper presents a new Fuzzy Population GSA model called FPGSA. The proposed method is a combination of parametric fuzzy controller and gravitational search algorithm. The space being searched using this combined reasonable and accurate method. In the collective intelligence algorithms, population size influences the final answer so that for a large population, a better response is obtained but the algorithm execution time is longer. To overcome this problem, a new parameter called the dispersion coefficient is added to the algorithm. Implementation results show that by controlling this factor, system performance can be improved.