بهبود عملکرد الگوریتم رقابت استعماری و کاربرد آن در کنترل پرواز بالگرد

در این مقاله هدف بهبود عملکرد الگوریتم رقابت استعماری است. روش مورد استفاده افزودن جستجوی محلی به الگوریتم است که در دو مرحله صورت می گیرد. در مرحله‌ی اول انتخاب پارامترهای بهینه‌سازی به نوعی هوشمندانه انجام می‌شود و جمعیت به سمت نقطه‌ی بهینه هدایت می‌شوند. در مرحله‌ی دوم پس از هر 10 تکرار، یک جستجوی محلی در میان مستعمره‌ها و استعمارگر چند فرمانروایی قدرتمند انجام می‌شود تا ضمن عدم ایجاد تغییر محسوس در فرایند رسیدن به جواب، پاسخ دقیق‌تری حاصل شود. روش بر روی تمامی فرمانروایی‌ها اعمال نمی‌شود تا حجم محاسبات افزایش نیابد. الگوریتم ارائه شده با توابع محک سنجیده شده‌است و طبق مقایسه‌ی انجام‌شده میان عملکرد آن‌ها، عملکرد الگوریتم اصلی در هنگام افزایش تعداد ابعاد مساله بهبود یافته‌است. با تعداد پارامترهای مجهول کمتر، هم زمان همگرایی و هم پاسخ کمینه‌ی نهایی در دو روش نزدیک به هم هستند، اما با افزایش تعداد ابعاد مساله، زمان حل به بیش از نصف کاهش و میزان کمینه تا بیش از 10 مرتبه‌ی اعشار بهبود یافته‌است. در انتها از این روش برای بهینه‌سازی در یافتن بهره‌های کنترلی مناسب برای کنترل بالگرد استفاده شده‌است.

Improving the Performance of Imperialist Competitive Algorithm and Its Application in Helicopter Flight Control

In this paper, the purpose is to improve the performance of the Imperialist Competitive Algorithm. Local search is added to the algorithm and this is done in two stages. In first stage, selection of the initial optimization parameters for starting the problem is done wisely and the population is leaded to optimal point. In second stage, after each 10 iterations a local search is performed between colonies and the imperialist of some of the strongest empires, in order to gain more accurate answers while not making a notable change in the process of reaching the answer. This method is not applied to all empires, so that calculations would not overflow. The proposed algorithm is tested using benchmark functions and based on the comparisons, the performance of the initial algorithm is much more improved when dimensions of the optimization problem goes higher. With few unknown parameters, conversion time and final minimum values are close in both methods, but by increasing the dimensions of the problem, even in some cases total calculation time is reduced to a half and the accuracy of minimum value is improved by 10 orders of magnitude. At the end, one application of the method is investigated in finding the suitable control gains for controlling a helicopter, which is a relatively a new application, and the performance is evaluated comparing to poleplacement and by statefeedback control.