بهينه‌سازي ازدحام ذرات به‌روش مدل مخلوط گوسي در محيط پويا

An Improved Particle Swarm Optimization Algorithm using Gaussian Mixture Model in Dynamic Environment

بسياري از مسائل در دنياي واقعي به‌صورت يك مسئله بهينه‌سازي با ماهيتي پويا هستند به‌عبارتي بهينه‌هاي سراسري و محلي در طول زمان تغيير مي‌كنند؛ از اين‌رو در اين محيط‌ها نياز به الگوريتم‌هاي بهينه‌سازي است كه عليرغم پيداكردن بهينه سراسري، بتواند بهينه‌هاي در حال تغيير را در طول زمان دنبال كند. دو مشكل طراحي الگوريتم بهينه‌سازي ازدحام ذرات براي محيط‌هاي پويا، به‌منظور داشتن قابليت‌هاي پيداكردن راه‌حل بهينه در زمان كوتاه و پيگيري راه‌حل بعد از تغييرات محيطي عبارت‌اند از: حافظه منسوخ‌شده و از دست‌دادن تنوع جمعيت در فضاي جستجو. مشكل از دست‌دادن تنوع جمعيت يكي از چالش‌هاي اصلي در محيط‌هاي پويا مي‌باشد، زيرا متنوع‌سازي يك گروه همگراشده براي يافتن بهينه متحرك و سپس همگرايي مجدد آن به بهينه جديد، شديداً كارايي الگوريتم را كاهش مي‌دهد. با توجه به چالش‌هاي مطرح‌شده در اين مقاله الگوريتم تركيبي بهينه‌سازي ازدحام ذرات مبتني‌بر مدل مخلوط گوسي پيشنهاد شده است. در روش پيشنهادي تغيير هر ذره براساس برآيند بهترين ذرات در هر خوشه متناسب با تعلق ذره به هر خوشه تغيير خواهد كرد. نتايج حاصل از آزمايشات روي محيط پوياي قله‌هاي متحرك عملكرد بهتر الگوريتم پيشنهادي نسبت به ساير الگوريتم‌ها را نشان مي‌دهد.

Many problems in the real world due to the local and global optimization change over time are a matter of dynamic optimization. Therefore, optimization algorithms despite global optimization and tracking of environments changed over time are needed in these environments. We are faced with two problems in designing the particle swarm optimization algorithm for dynamic environments to find the best solution in a short time and follow the solution after the environmental changes: Outdated memory and loss of population diversity in search area. The problem of loss of population diversity is one of the biggest challenges in dynamic environments because diversifying a convergent population to find dynamic optimization and then turning it into a new optimization greatly reduces the efficiency of the algorithm. Given the challenges presented in this paper, a hybrid particle swarm optimization algorithm based on a Gaussian mixture model is proposed. In the proposed method, the change of each particle is based on the result of the best particles in its cluster. The results of the Moving Peak Benchmark experiments show a better performance of the proposed algorithm than other algorithms.