دانلود مقالات ISI درباره بهینه سازی ازدحام ذرات + ترجمه فارسی

در علوم کامپیوتر، بهینه سازی ازدحام ذرات (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 ابتدا توسط کندی، ابرهارت و شی ارائه شد و هدف اولیه آن شبیه سازی رفتار اجتماعی، به عنوان یک نمایش خاص از حرکت اورگانیسم ها در دسته پرندگان یا دسته ماهی ها بود. این الگوریتم ساده سازی شده و مشاهده شد که قادر به انجام بهینه سازی است. کتاب نوشته شده توسط کندی و ابرهارت جنبه های مختلف فلسفی PSO و هوش جمعی را توصیف می کند. یک تحقیق جامع بر روی کاربردهای PSO توسط پلی انجام گرفته است. PSO یک الگوریتم متاهیورستیک است که می تواند بدون هیچ فرضیه ای و یا با تعداد کمی از فرضیات در مورد مسئله تحت بهینه سازی، فضاهای بسیار بزرگ از راه حل های کاندید را جستجو کند. هرچند، الگوریتم های متاهیورستیک همچون PSO تضمین نمی کنند که الزاما راه حل بهینه پیدا شود. به صورت دقیق تر، PSO یک روش جستجوی الگو است که از گرادیان (gradient) مسئله تحت بهینه سازی استفاده نمی کند. این بدان معنی است که PSO برخلاف متدهای بهینه سازی کلاسیک همچون متدهای گرادیان نزولی و روش شبه-نیوتون، نیازی ندارد که مسئله بهینه سازی تشخیص پذیر (differentiable) باشد. بنابراین می تواند برای مسائل بهینه سازی ای که تا حدودی بی قاعده، نویزدار، متغیر با زمان، و غیره هستند به کار رود. عملکرد کلی الگوریتم PSO: 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. انواع مختلف الگوریتم PSO: 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.