روش بهینه سازی نقطه جستجوگر جهت دار داده محور با بازدهی مناسب برای توابع با تعداد متغیر بالا و ناهمواری موضعی

در این پژوهش تلاش شده است روشی جدید برای مساله های بهینه یابی غیر خطی با تعداد متغیر بالا و فضای غیر یکنواخت تابع هزینه پیشنهاد شود. غیر یکنواخت بودن توابع و مجود تعداد زیادی اکسترمم محلی، استفاده از روش های گرادیانی را کم فایده می کنند. در اکثر مساله های مهندسی مکانیک اینگونه مساله های بهینه سازی سبب صرف زمان و محاسبات بالا می شود. همچنین نظر به تعداد متغیر بالا در فضای مسالهِ کاملاً غیر یکنواخت، به تعداد حل زیادی در بهینه سازی نیاز است. از سویی هر بار حل یک مساله غیر خطی ممکن از دقایق یا حتی ساعتی به طول انجامد. در این روش تلاش شده است تا مساله های چند بعدی با سرعت بالاتر و تعداد دفعات حل کمتر نسبت به بقیه روش های بهینه سازی هوشمندانه از جمله روش الگوریتم ژنتیک، به پاسخی بهتر برسند. این هدف با انتخاب اتفاقی مبتنی بر تابع چگالی توزیع احتمال و وابستگی نقاط انتخابی به کلاس های سه گانه رفتاری بهینه سازی صورت می پذیرد. در واقع پس از طی چند گام مشخص می شود که هر نقطه اتفاقی جدید به کدام کلاس رفتاری مساله بهینه سازی نزدیک تر است. این کلاس های سه گانه شامل، دسته نقاط با مقدار برتر، دسته نقاط با رشد برتر و دسته نقاط متفرقه هستند.

particle directional search optimization method (pdam) based on saved data with high efficiency for cost function specified by high order of dimension and local extremum

this paper contributes to a new optimization method developed for hyper dimension space of solution. the most of mechanical engineering simulation-optimization problems, requires high level of arithmetic cost only for one iteration of solution. on theother hand, the complexity and non-linear trend of the problem makes the optimizationmethod to iterates the cost function more than a simple linear one. in this paper the efforts are considered to solve optimization problem via less arithmetic cost.