منابع تحقیق درمورد بهینه سازی چند معیاره و الگوریتم بهینه سازی

با توجه به مفهوم ارتباط غالب، می توان فضای جواب را به چهار قسمت زیر تقسیم بندی نمود.
شکل 3-2 رابطه فضای جواب و ارتباط غالب
3-8- مرز بهینه
مجموعه نقاط بهینه سراسری یا پارتو، تشکیل مرزی را می دهند که به آن مرز بهینه گفته می شود. هدف اصلی رویکرد بهینه سازی چند معیاره، دسترسی هر چه بیشتر به نقاط ( جوابهای ) بهینه سراسری یا پارتو می باشد. در ادامه این تحقیق، روش فراابتکاری انبوه ذرات چند هدفه، برای بهینه سازی همزمان دو تابع هدف مورد نظر، بررسی خواهد شد.
3-9- الگوریتم بهینه سازی انبوه ذرات 1(PSO)
الگوریتمPSO یکی از شاخه های هوش جمعی می باشد که حوزه ی وسیعی از دانش هوش مصنوعی را شامل می شود. الگوریتم PSO یک تکنیک بهینه سازی بر پایه قوانین احتمال می باشد و ذاتاً یک الگوریتم بهینه سازی پیوسته است. این الگوریتم در سال 1995 برای اولین بار توسط ابرهارت و کندی ]59[، به عنوان یک روش جستجوی غیر قطعی برای بهینه سازی تابعی مطرح گشت. هوش جمعی در واقع بر پایه ی شبیه سازی رفتار جمعی گروهی از حشرات مانند زنبورها، مورچه ها و موریانه ها همین طور گروه های حیوانی مانند پرندگان و ماهی ها شکل گرفته است. الگوریتم از حرکت دسته جمعی پرندگانی که به دنبال غذا می باشند الهام گرفته شده است.
گروهی از پرندگان در فضایی به صورت تصادفی به دنبال غذا می گردند. تنها یک تکه غذا در فضای مورد بحث وجود دارد. هیچ یک از پرندگان محل غذا را نمی دانند. یکی از بهتر ین استراتژیها می تواند دنبال کردن پرنده ا ی باشد که کمترین فاصله را تا غذا داشته باشد. این استراتژی در واقع جانمای الگوریتم است. هر راه حل در الگوریتم که به آن یک ذره گفته می شود، معادل یک پرنده در الگوی حرکت جمعی پرندگان می باشد. هر ذره یک مقدار شایستگی دارد که توسط یک تابع شایستگی محاسبه می شود. هر چه ذره در فضا ی جستجو به هدف (غذا در مدل حرکت پرندگان) نزدیکتر باشد، شایستگی بیشتری دارد.
از ویژگی های این الگوریتم می توان به جمعیت مبنا بودن و بهره بردن از ذات تصادفی می باشد و هدف آن بهینه سازی مسائل با زمان حل غیر خطیاست. در این الگوریتم ذره اطراف مکان جستجوی چند بعدی حرکت می کند و جایگاه خود را طبق تجربه قبلی اش وتجربه ذره همسایه می یابد همچنین PSO تنها الگوریتم تکاملی است دارای شرایط محیطی ثابت است و اعضای کاندید جمعیت تغییر نمی کنند تمام ذرات در طول اجرا باقی می مانند یعنی ذرات نمی میرند.
3-10- پنج قانون میلوناس برای هوش گروهی
1- قانون مجاورت2: جمعیت باید محاسبات ساده ای در مکان و زمان انجام دهد.
2- قانون کیفیت3: جمعیت باید در مقابل تغییر پارامترهای کیفیت محیطی از خود واکنش نشان دهد.
3- قانون واکنش های متنوع4: افراد جمعیت نباید در مقابل تغییر پارامترها واکنش یکسانی از خود نشان دهند.
1 Particle swarm optimization
2 Proximity principle
3 Quality principle
4 Principle of diverse
1 Particle swarm optimization
2 Proximity principle
3 Quality principle
4 Principle of diverse
قانون پایستاری4: جمعیت نباید هربار که محیط تغییر کرد تغییر کند.
قانون سازش5: جمعیت باید تنها وقتی تغییر کند که هزینه تغییر لااقل با ارزش آن برابری کند.
درباره این الگوریتم اولین مثالی که با توجه به قوانین بالا به ذهن انسان می رسد، مدلی است با دو پارامتر سرعت همسایگی و دیوانگی. در این مدل ساده ابتدا تمامی ذرات به صورت تصادفی مکان و سرعتی در راستای (برای فضای دو بعدی) می یابند. آنگاه در هر تکرار برنامه برای هر ذره نزدیکترین ذره را می یابد و سرعت آن را به ذره مورد نظر اختصاص می دهد. در این حالت جمعیت به سرعت در یک جهت ثابت حرکت میکند. برای جلوگیری از این رویداد باید از پارامتر دیوانگی استفاده کرد. بدین صورت که در هر تکرار تغییرات به صورت تصادفی به سرعت ذرات اضافه می گردد. برای یافتن پاسخ باید ذرات را بر فراز فضای جواب به حرکت دراورد و هرگاه یکی از آن ها جواب مناسبی یافت، یافته های آن را در اختیار سایر ذرات قرار دهد تا آنها نیز به سمت جواب بهتر حرکت کنند.
مشکلی که در این روش وجود دارد این است که، ذرات به سرعت به سمت یک جواب بهینه محلی پیش می روند. برای جلوگیری ازاین رویداد پارامتر دیگری به نام هوش فردی ذرات وارد مدل می کنیم. هوش فردی شامل حافظه ای است که بهترین نقطه ای را که تا کنون ذره از آن عبور کرده را در خود نگه می دارد. بنا بر این سرعت جدید ذره شامل ترکیبی از تمایل به حرکت به سمت بهترین نقطه جمعی و تمایل به حرکت به سمت بهترین نقطه فردی است.
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.