بهینه‌سازی در محیط‌های غیرقطعی و پیچیده پویا با روش‌های تکاملی

در دنیای واقعی بسیاری از مسائل بهینه‌ سازی، پویا، غیرقطعی و پیچیده هستند که در آن تابع هدف یا محدودیت‌ ها می‌ توانند در طول زمان تغییر یابند و در‌نتیجه، بهینه این مسائل نیز می‌ تواند تغییر کند؛ از‌این‌رو الگوریتم‌ های بهینه‌ سازی نه‌تنها باید مقدار بهینه سراسری را در فضای جستجو پیدا، بلکه باید مسیر تغییرات بهینه را در محیط پویا دنبال کنند. در این مقاله برای دست‌یابی به این توانایی الگوریتم جدیدی بر مبنای الگوریتم بهینه ‌سازی ذرات به نام الگوریتم بهینه ‌سازی ذرات افزایشی کاهشی، پیشنهاد شده است. این الگوریتم همواره در روند بهینه ‌سازی به‌طور انطباقی با کاهش یا افزایش تعداد ذرات الگوریتم، توانایی یافتن و دنبال‌کردن تعداد بهینه متغیر با زمان را در محیط‌ هایی که تغییرات آن قابل آشکارسازی نیست، دارد؛ علاوه‌بر‌این تعریف جدیدی به نام ناحیه جستجو متمرکز با هدف برجسته‌کردن فضاهای امیدبخش برای سرعت بخشیدن به فرآیند جستجوی محلی و جلوگیری از همگرایی زودرس تعریف شده است. نتایج حاصل از الگوریتم پیشنهادی بر روی معیار قله ‌های متحرک ارزیابی و با نتایج چندین الگوریتم معتبر مقایسه شده است. نتایج نشان‌دهنده تاثیر مثبت سازوکار کاهش/افزایش ذرات بر زمان یافتن و دنبال‌کردن چندین بهینه در مقایسه با سایر الگوریتم‌های بهینه ‌سازی مبتنی بر چند جمعیتی است.

Optimization in Uncertain and Complex Dynamic Environments with Evolutionary Methods

In the real world, many of the optimization issues are dynamic, uncertain, and complex in which the objective function or constraints can be changed over time. Consequently, the optimum of these issues is changed nonlinearly. Therefore, the optimization algorithms not only should search the global optimum value in the space but also should follow the path of optimal change in dynamic environment. Accordingly, several researchers believe in the effectiveness of following a series of optimums compared to a global optimum. Therefore, when an environment is changed, following a global optimum in a series of best optimums is more efficient.Evolutionary algorithms (EA) were inspired by biological and natural evolution. Because of changing characteristic of nature, it can be a good option for dynamic optimization. In recent years, different methods have been proposed to improve EA of static environments. One of the most common methods is multipopulation method. In this method, the whole space is divided into subspaces. Each subspace covers some local optimums and represents a subpopulation. The algorithm updates the particles of each subspace and searches the best optimum. The most challenging issue of multipopulation method is to create the desired number of subpopulation and people to cover different subspaces in the search space. In the present study, in order to deal with the challenges, a new algorithm based on particle optimization algorithm, which is called decrement and increment particle optimization algorithm, was proposed. The algorithm is able to follow and find the number of timevaried optimum in an environment with invisible changes by increasing or decreasing the number of particles adaptively. Another challenging issue in dynamic optimization is the detection of environmental changes, due to the impossibility of this issue and failure of detectionbased algorithms. In the proposed method, there is no need to detect the environmental changes and it always adapts itself to the environment. Furthermore, the terms of focused search area were defined to emphasize on promising spaces to accelerate the local search process and prevent early convergence. The results of the proposed algorithm were evaluated on moving peaks and compared with several valid algorithms. The results showed the positive effect of decrement/increment mechanism of particles on finding and following time of many optimums compared to other multipopulation based optimization algorithm.