بهینه سازی با الگوریتم pso , بهینه سازی با الگوریتم ازدحام ذرات , بهینه سازی با الگوریتم pso در متلب , انجام پروژه الگوریتم pso در متلب , الگوریتم بهینه سازی ازدحام ذرات
بهینه سازی با الگوریتم pso | انجام پروژه الگوریتم pso | الگوریتم بهینه سازی ازدحام ذرات
الگوریتم PSO (بهینه سازی با الگوریتم pso) :
تفکر و تصمیم جمعی در بسیاری از موارد می‌تواند باعث دستیابی به جواب مطلوبی گردد. در این بین رفتارهای موجودات نیز بیانگر نوعی تشریک مساعی برای رسیدن به یک جواب بهینه در طبیعت است. مشاهده رفتار اجتماعی در طبیعت، همانند رفتار پرندگان برای یافتن مسیر بهینه در سفر نمونه ای از هوش جمعی در طبیعت می‌باشد.
الگوریتم pso یا Particle swarm optimization یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته های پرندگان مدل شده است. این الگوریتم در سال ۱۹۹۵ میلادی توسط کندی و ابرهارت معرفی شد. در ابتدا این الگوریتم برای کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه ی دسته به کار گرفته شد .
در pso ، ذرات [ Particle ] در فضای جستجو جاری می‌شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر توده [ Swarm ] ذرات روی چگونگی جستجوی یک ذره اثر می گذارد . نتیجه ی مدل سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.
الگوریتم PSO یک روش سراسری بهینه سازی است که با استفاده از آن می توان 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 ذرات اختصاص داده میشود، همچنین کانالهای ارتباطی بین ذرات در نظر گرفته میشود. سپس این ذرات در فضای پاسخ حرکت می‌کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازه 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. مزیت اصلی این روش بر استراتژی های بهینه سازی دیگر این است که، تعداد فراوان ذرات ازدحام کننده، باعث انعطاف روش در برابر مشکل پاسخ بهینۀ محلی میگردد.
در شکل زیر نمونه هایی از روند حرکت ذرات در فضای جستجو نمایش داده شده است. عکس موجود در گوشه بالا و سمت چپ تصویر موقعیت اولیه ذرات را نشان می‌دهد که در فضای جستجوی دو بعدی قرار دارند و با تکرارهای الگوریتم در نهایت ذرات به صورت عکس موجود در گوشه پایین سمت راست تصویر همگرا می‌شوند.
هر ذره دارای یک موقعیت است که مشخص می‌نماید مختصات ذره در فضای جستجوی چند بعدی چه می‌باشد باحرکت ذره در طول زمان موقعیت ذره تغییر می‌نماید.xi(t) موقعیت ذره i ام در زمان t ام را مشخص می‌نماید. همچنین هر ذره برای حرکت نمودن در فضا نیاز به یک سرعت دارد vi(t) سرعت ذره i م در زمان t ام را مشخص می‌نماید. با افزودن سرعت به موقعیت هر ذره، می‌توان موقعیت جدیدی برای ذره در نظر گرفت. معادله به روز نمودن موقعیت ذره در رابطه ۱ آورده شده است.
که vi(t+1) سرعت فعلی ذره می‌باشد و به صورت رابطه ۲ محاسبه میشود:
در رابطه (۲) ، r1 و r2 اعداد تصافی بین صفر و یک می‌باشند، c1 و c2 به ترتیب ضرایب تاثیر شخصی و اجتماعی می‌باشند ( این دو پارامتر، به ترتیب بیانگر میزان تاثیر بهترین حالت هر فرد و بهترین حالت جمعیت “بر اساس آنچه که تا کنون مشاهده شده‌است”، بر تعیین موقعیت جدید هر ذره می‌باشند. c1 ضریب اعتماد به نفس و c2 ضریب اعتماد با اجتماع نامیده خوانده می‌شوند. ) و w ثابت اینرسی است که اگر مقدار آن زیاد باشد الگوریتم در حالت اکتشاف قرار می‌گیرد و اگر مقدار آن کم باشد الگوریتم در حالت استخراج قرار می‌گیرد. این پارامتر در طول اجرای الگوریتم کاهش می‌یابد.
اینکه موقعیت یک ذره در فضای جستجو موقعیت مناسبی است یا خیر توسط یک تابع شایستگی ارزیابی میگردد. ذرات توانایی این را دارند که بهترین موقعیتی را که در طول حیات خود در آن قرار داشته اند به خاطر بسپارند. به بهترین تجربه فردی یک ذره یا بهترین موقعیت ملاقات شده توسط ذره Pi گفته میشود (در بعضی از الگوریتم ها Piبه عنوان pbest نیز نام گذاری شده است) و ذرات میتوانند از بهترین موقعیت ملاقات شده توسط کل گروه نیز آگاهی داشته باشند. که این موقعیت Pg نامیده میشود. (در بعضی ار الگوریتم ها Pg به عنوان gbest نیز نام گذاری شده است) بردار سرعت ذره در فرایند بهینه سازی منعکس کننده دانش تجربی ذره و اطلاعات جامعه ذرات است. هر ذره برای حرکت در فضای جستجو دو مولفه را مد نظر دارد.
مولفه شناختی: Pi – Xi(t) بهترین راه حلی است که یک ذره به تنهایی بدست می‌آورد.
مولفه اجتماعی: Pg – Xi(t) بهترین راه حلی است که توسط کل گروه تشخیص داده میشود.
الگوریتم PSO یک روش جست و جوی چندعامله است ، که عامل های آن در فضای جست و جو به صورت موازی عمل می‌کنند. این الگوریتم بیشتر برای مسائل پیوسته به کار می‌رود، اما با اعمال تغییرات در بدنه الگوریتم می‌تواند برای مسادل گسسته نیز مورد استفاد قرار گیرد.
فلوچارت روند بهینه سازی الگوریتم PSO
در شکل زیر روند بهینه سازی الگوریتم PSO آمده است:
کاربردهای الگوریتم PSO
الگوریتم PSO همانند سایر الگوریتم های فراابتکاری می‌تواند در مسائل زیر به کار رود :
- بهینه سازی توابع ریاضیاتی و مهندسی
- بررسی تاثیر مقادیر پارامترهای PSO روی جواب‌های مساله
- انتخاب ویژگی
- حل مساله فروشنده دوره گرد
- بهینه‌سازی پارامترهای SVM
- بهینه سازی شبکه ی عصبی
- تشخیص چهره
- و ….
توجه:
وب سایت مطلب دی ال با انجام پروژه های بهینه سازی با الگوریتم pso در متلب در خدمت کاربران عزیز می باشد .برای سفارش پروژه بر روی دکمه زیر کلیک کنید و سفارش خود را ثبت نمایید.
