عملکرد روش‌های بهینه‌سازی هوشمند در مسائل شناسایی سیستم iir

روش‌های بهینه‌سازی هوشمند با استفاده از تجربیات گذشته‌ی جمعیتی از عوامل جستجو، به‌طور موثر به کاوش و مرور فضای پاسخ می‌پردازند. این تکنیک‌های مبتنی بر هوش جمعی قادرند مسائل بهینه‌سازی پیچیده را با تعداد تکرار معین حل کنند. این مقاله به ارزیابی عملکرد گونه‌های متفاوتی از الگوریتم‌های رایج و قدرتمند بهینه‌سازی در مساله شناسایی سیستم در جهت طراحی و مدل‌سازی بهینه فیلترهای دیجیتال پاسخ ضربه نامتناهی (iir) می‌پردازد. روش‌های مفروض عبارتند از: الگوریتم‌های وراثتی (ga) و تکامل تفاضلی (de) مبتنی بر نظریه تکامل در کنار شش الگوریتم هوش جمعیِ بهینه‌سازی گروه ذرات (pso)، الگوریتم جستجوی گرانشی (gsa)، بهینه‌سازی سیستم صفحات شیبدار (ipo)، بهینه‌ساز مورچه‌گیر (alo)، بهینه‌سازی آموزش و یادگیری (tlbo) و برای اولین بار از الگوریتم بهینه‌سازی بیوگرافی (bbo). در پژوهش حاضر، مساله شناسایی سیستم iir به‌عنوان یک تابع بهینه‌سازی تک‌هدفه فرض شده و به ازای دو مدل iir آزمایشی و چالشی برای مدلسازی با مرتبه معادل و مرتبه کاهش‌یافته مورد ارزیابی قرار می‌گیرد. برای ارزیابی بازدهی و عملکرد الگوریتم‌ها، نتایج در قالب شاخص‌های ضریب موفقیت (ios) و درجه اطمینان (dor) همراه با میانگین مربع خطا (mse) مورد بررسی قرار می‌گیرد. همچنین اثر کاهش عوامل جستجو بر روی عملکرد الگوریتم‌ها مورد تحلیل قرار می‌گیرد. برآورد کلی نتایج تصدیق اثربخشی شاخص‌های ارزیابی مفروض و عملکرد مطلوب روش‌های پیشنهادی به‌ویژه به ازای الگوریتم‌های pso، ipo و bbo از جهت مشخصات همگرایی، میانگین زمان اجرا، متوسط مقادیر برازندگی mse و شاخص‌های ios و dor؛ الگوریتم‌های ga و gsa از جهت همگرایی، زمان اجرا و dor؛ روش de به‌جهت زمان اجرا؛ الگوریتم alo به‌جهت متوسط mse و الگوریتم tlbo از جهت مشخصات همگرایی، میانگین ios و درصد dor را نشان می‌دهد.

Performance of Intelligent Optimization Methods in IIR System Identification Problems

Intelligent optimization methods effectively explore and review the response space using past experiences a population of search agents. These populationbased techniques can solve complex optimization problems with a defined number of iterations. This paper evaluates the performance of different types of common and powerful optimization algorithms in the system identification problem in order to optimal design and modeling of Infinite Impulse Response digital filters. Assumed methods include the Genetic Algorithm and Differential Evolution both based on evolutionary strategy along with six swarm intelligence algorithms, Particle Swarm Optimization, Gravitational Search Algorithm, Inclined Planes system Optimization, Ant Lion Optimizer, TeachingLearningBased Optimization, and, for the first time, BiogeographyBased Optimization. In the present study, the IIR system identification problem is assumed as a singleobjective optimization function. It is evaluated for two experimental and challenging IIR models for the equivalent and reduced order modeling. To evaluate the efficiency and performance of the algorithms, the simulation results are evaluated in terms of Indicator of Success and Degree of Reliability with Mean Square Error. Also, the effect of reducing search agents on the performance of algorithms is analyzed. The overall estimation of the results confirms the acknowledgment of the effectiveness of the proposed evaluation indexes and the desirable performance of the proposed methods, especially for the PSO, IPO and BBO algorithms in terms of convergence characteristics, average runtime, average values of MSE, and IoS and DoR indices; GA and GSA algorithms in terms of convergence, runtime and DoR; DE method for running time; ALO algorithm for the mean of MSE, and TLBO algorithm in terms of the convergence characteristics, mean IoS, and DoR percent.