الگوریتم‌ بهینه‌سازی ازدحام ذرات بهبودیافته مبتنی بر یک کلاس نوین از استراتژی‌های ضرائب یادگیری کارآمد و سریع

الگوریتم بهینه‌سازی ازدحام ذرات (psoالگوریتم بهینه‌سازی ازدحام ذرات (pso) یک روش بهینه‌سازی فراابتکاری مبتنی بر جمعیت است که می‌تواند برای طیف وسیعی از مسائل به‌کار گرفته شود اما این الگوریتم ایراداتی هم دارد؛ مانند این‌که به‌راحتی در نقاط بهینه محلی گیر می‌افتد و در مراحل پایانی دچار کندی همگرایی می‌گردد. به‌منظور حل این ایرادات، تاکنون انواع الگوریتم‌های pso بهبودیافته (ipso) پیشنهاد شده است. جهت ایجاد یک تعادل بین ویژگی‌های پویش و بهره‌برداری pso، این مقاله الگوریتم‌های ipso مبتنی بر یک کلاس جدید از ضرائب یادگیری نمایی (elfpso) را معرفی می‌نماید که از لحاظ محاسباتی کارآمد و سریع می‌باشند. این کلاس شامل استراتژی‌های ضرائب یادگیری نمایی متغیر با زمان (telf)، ضرائب یادگیری نمایی تصادفی (relf)، ضرائب یادگیری نمایی خودتنظیم (self) و ضرائب یادگیری نمایی خطی (lelf) است. آزمایش‌های متعددی برای مقایسه روش‌های پیشنهادی با یک مجموعه از استراتژی‌های معروف ضرائب یادگیری ثابت، تصادفی، متغیر با زمان و تطبیقی بر روی یک سری از توابع معیار غیرخطی انجام پذیرفت. نتایج تجربی و تحلیل‌های آماری ثابت می‌کنند که الگوریتم‌های elfpso قادرند دسته وسیعی از مسائل بهینه‌سازی غیرخطی دشوار را به‌طور کارآمدی حل کنند. همچنین نتایج آزمایش‌ها نشان می‌دهد که روش‌های پیشنهادی، در اغلب موارد بهتر از سایر الگوریتم‌ها عمل می‌کنند.

An Improved Particle Swarm Optimizer Based on a Novel Class of Fast and Efficient Learning Factors Strategies

The particle swarm optimizer (PSO) is a populationbased metaheuristic optimization method that can be applied to a wide range of problems but it has the drawbacks like it easily falls into local optima and suffers from slow convergence in the later stages. In order to solve these problems, improved PSO (IPSO) variants, have been proposed. To bring about a balance between the exploration and exploitation characteristics of PSO, this paper introduces computationally fast and efficient IPSO algorithms based on a novel class of exponential learning factors (ELFPSO). This class contains timevarying exponential learning factors (TELF), random exponential learning factors (RELF), selfadjusting exponential learning factors (SELF) and linearexponential learning factors (LELF) strategies. Experiment is performed and compared with a set of wellknown constant, random, timevarying and adaptive learning factors strategies on a suite of nonlinear benchmark functions. The experimental results and statistical analysis prove that ELFPSO algorithms are able to solve a wide range of difficult nonlinear optimization problems efficiently. Also these results show that the proposed methods outperform other algorithms in most cases.