کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
1889513 1533665 2014 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A comparative analysis of particle swarm optimization and differential evolution algorithms for parameter estimation in nonlinear dynamic systems
ترجمه فارسی عنوان
تجزیه و تحلیل تطبیقی ​​بهینه سازی ذرات و الگوریتم های تکاملی دیفرانسیل برای ارزیابی پارامتر در سیستم های پویا غیر خطی
ترجمه چکیده
استفاده از الگوریتم های تکاملی در سال های اخیر برای حل مشکل معکوس شناسایی پارامترهای سیستم با توجه به پاسخ آشوب سیستم دینامیکی محبوب بوده است. مشکل معکوس به عنوان یک مشکل کمینه سازی شده اصلاح شده و بهینه سازان مبتنی بر جمعیت مانند الگوریتم های تکاملی به عنوان حل کننده های کارآمد مشکل کمینه سازی شده اند. با این حال، به خوبی از دانش ما، هیچ اثر منتشر شده است که اثربخشی استفاده از دو تکنیک های محبوب ترین تکاملی - بهینه سازی ذرات ریز و الگوریتم تکاملی دیفرانسیل، در طیف گسترده ای از مشکلات برآورد پارامتر. در این مقاله، دو روش همراه با انواع آنها (برای مجموع هفت الگوریتم) به پانزده مسئله برآورد پارامترهای مختلف از پیچیدگی های مختلف اعمال می شود. نتایج برآورد با استفاده از روش آماری غیر پارامتریک برای تعیین اینکه آیا یک الگوریتم از نظر آماری بالاتر از دیگران در کلاس از مشکلات مورد تجزیه و تحلیل است، تجزیه و تحلیل شده است. نتایج براساس کیفیت برآورد پارامتر نشان می دهد که الگوریتم های جدید و الگوریتم پیچیده تر بهتر از نسخه های کانونیک هستند. مهمتر از همه، تفاوت های قابل توجهی نیز بین انواع بهینه ساز ذرات ذرات و بهترین الگوریتم تکاملی دیفرانسیل متفاوت یافت شد.
موضوعات مرتبط
مهندسی و علوم پایه فیزیک و نجوم فیزیک آماری و غیرخطی
پیش نمایش مقاله
تجزیه و تحلیل تطبیقی ​​بهینه سازی ذرات و الگوریتم های تکاملی دیفرانسیل برای ارزیابی پارامتر در سیستم های پویا غیر خطی
چکیده انگلیسی
The use of evolutionary algorithms has been popular in recent years for solving the inverse problem of identifying system parameters given the chaotic response of a dynamical system. The inverse problem is reformulated as a minimization problem and population-based optimizers such as evolutionary algorithms have been shown to be efficient solvers of the minimization problem. However, to the best of our knowledge, there has been no published work that evaluates the efficacy of using the two most popular evolutionary techniques - particle swarm optimization and differential evolution algorithm, on a wide range of parameter estimation problems. In this paper, the two methods along with their variants (for a total of seven algorithms) are applied to fifteen different parameter estimation problems of varying degrees of complexity. Estimation results are analyzed using nonparametric statistical methods to identify if an algorithm is statistically superior to others over the class of problems analyzed. Results based on parameter estimation quality suggest that there are significant differences between the algorithms with the newer, more sophisticated algorithms performing better than their canonical versions. More importantly, significant differences were also found among variants of the particle swarm optimizer and the best performing differential evolution algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Chaos, Solitons & Fractals - Volume 58, January 2014, Pages 65-83
نویسندگان
, ,