دانلود مقالات ISI درباره بهینه سازی ازدحام ذرات + ترجمه فارسی

بهینه سازی ازدحام ذرات (Particle swarm optimization) یا به طور اختصار (PSO) یک روش محاسباتی می باشد که مسئله ای را با تلاش های مکرر، جهت بهبود یک راه حل کاندید با توجه به معیار کیفیت مفروض، بهینه می کند. PSO یک مسئله را با داشتن جمعیتی از راه حل های کاندید، در اینجا ذرات شبیه به هم، بهینه می کند و این ذرات را درون یک فضای جستجو توسط فرمول های ریاضی ساده برای محاسبه موقعیت و سرعت ذره، حرکت می دهد. حرکت هر ذره تحت تاثیر بهترین موقعیت شناخته شده محلی می باشد، که در عین حال به سمت بهترین موقعیت های شناخته شده در کل فضای جستجو (که با پیدا شدن موقعیت های بهتر توسط ذرات بروز می شوند) هدایت می شود. این روند موجب حرکت دسته به سمت بهترین راه حل ها می گردد. روش PSO یا به لاتین (Particle swarm optimization) یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آنها یک نقطه یا سطح در فضای n بعدی می‌باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می‌شود و یک سرعت ابتدایی به آنها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات درنظر گرفته می‌شود. سپس این ذرات در فضای پاسخ حرکت می‌کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازهٔ زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. علی‌رغم اینکه هر روش در محدوده‌ای از مسائل به خوبی کار می‌کند، این روش در حل مسائل بهینه‌سازی پیوسته موفقیت بسیاری از خود نشان داده است. نوع اصلی الگوریتم PSO با داشتن یک جمعیت (که دسته نامیده می شود) از پاسخ های کاندید (که ذره نامیده می شوند) کار می کند. این ذرات در فضای جستجو بر طبق چند فرمول ساده حرکت می کنند. حرکات این ذرات با بهترین موقعیت یافت شده در فضای جستجو توسط خودشان و هم چنین بهترین موقعیت یافت شده توسط کل دسته، هدایت می شود. زمانی که موقعیت های بهتر کشف می شوند، به هدایت حرکات دسته می پردازند. این فرایند تکرار شده و با انجام آن می توان امید داشت، اما نمی توان تضمین کرد، که یک راه حل مناسب در نهایت کشف گردد. امکان ایجاد گونه های مختلفی از الگوریتم PSO، حتی نوع پایه آن وجود دارد. برای مثال، راه های مختلفی برای مقداردهی اولیه ذرات و سرعت آن ها (برای نمونه شروع با مقدار صفر برای سرعت)، چگونگی تعدیل سرعت، به روزرسانی p و g بعد از به روزرسانی کل دسته، و غیره وجود دارد. بعضی از این انتخاب ها و اثر محتمل آن ها بر روی کارایی، در مقالات بحث شده است. تا کنون انواع جدید و پیچیده ای از PSO که در تلاش است تا کارایی بهینه سازی را بهبود دهند، معرفی می شوند. گرایش های مشخصی در این تحقیقات وجود دارد که یکی از آن ها ایجاد یک متد بهینه سازی ترکیبی با ترکیب PSO با دیگر بهینه سازها هست. یک گرایش دیگر در تحقیقات، تلاش برای دوری از همگرایی زودرس ( ایستایی بهینه سازی) است؛ برای مثال با معکوس کردن یا ایجاد آشفتگی کردن در حرکت ذرات PSO روش هایی برای جلوگیری از رسیدن به همگرایی زودرس است. یک رویکرد دیگر برای مقابله با همگرایی زودرس، استفاده از چندین دسته است (بهینه سازی چند دسته ای). رویکرد چند دسته ای همچنین می تواند برای پیاده سازی بهینه سازی چند هدفه به کار رود و سرانجام، پیشرفت هایی در به کارگیری پارامترهای رفتاری PSO در طول بهینه سازی انجام گیرد.