|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
1 نتیجه برای ضرائب یادگیری متغیر با زمان
آقای محمدجواد عموشاهی، دکتر موسی شمسی، دکتر محمدحسین صداقی،
دوره 6، شماره 1 - ( 11-1398 )
چکیده
الگوریتم بهینه‌سازی ازدحام ذرات (PSOالگوریتم بهینه‌سازی ازدحام ذرات (PSO) یک روش بهینه‌سازی فراابتکاری مبتنی بر جمعیت است که می‌تواند برای طیف وسیعی از مسائل به‌کار گرفته شود اما این الگوریتم ایراداتی هم دارد؛ مانند این‌که به‌راحتی در نقاط بهینه محلی گیر می‌افتد و در مراحل پایانی دچار کندی همگرایی می‌گردد. به‌منظور حل این ایرادات، تاکنون انواع الگوریتم‌های PSO بهبودیافته (IPSO) پیشنهاد شده است. جهت ایجاد یک تعادل بین ویژگی‌های پویش و بهره‌برداری PSO، این مقاله الگوریتم‌های IPSO مبتنی بر یک کلاس جدید از ضرائب یادگیری نمایی (ELF-PSO) را معرفی می‌نماید که از لحاظ محاسباتی کارآمد و سریع می‌باشند. این کلاس شامل استراتژی‌های ضرائب یادگیری نمایی متغیر با زمان (TELF)، ضرائب یادگیری نمایی تصادفی (RELF)، ضرائب یادگیری نمایی خود-تنظیم (SELF) و ضرائب یادگیری نمایی خطی (LELF) است. آزمایش‌های متعددی برای مقایسه روش‌های پیشنهادی با یک مجموعه از استراتژی‌های معروف ضرائب یادگیری ثابت، تصادفی، متغیر با زمان و تطبیقی بر روی یک سری از توابع معیار غیرخطی انجام پذیرفت. نتایج تجربی و تحلیل‌های آماری ثابت می‌کنند که الگوریتم‌های ELF-PSO قادرند دسته وسیعی از مسائل بهینه‌سازی غیرخطی دشوار را به‌طور کارآمدی حل کنند. همچنین نتایج آزمایش‌ها نشان می‌دهد که روش‌های پیشنهادی، در اغلب موارد بهتر از سایر الگوریتم‌ها عمل می‌کنند.
|
|
|
|
|
| نشریه سامانه‌های غیرخطی در مهندسی برق در خصوص اصول اخلاقی انتشار مقاله، از توصیه‌های «کمیته بین‌المللی اخلاق نشر» موسوم به COPE و «منشور و موازین اخلاق پژوهش» مصوب معاونت پژوهش و فناوری وزارت علوم، تحقیقات و فناوری تبعیت می‌کند. |
|
|
|
|
|
