بهبود الگوریتم های بهینه سازی اجتماع ذرات و تکامل تفاضلی با استفاده از نظریه چانه زنی نش

این مقاله، رویکرد جدیدی را به منظور حل مسائل بهینه‌سازی ارائه می کند، که دو الگوریتم شناخته شده‌ی بهینه سازی ازدحام ذرات (particle swarm optimization) و تکامل تفاضلی (differential evolution) با هم همکاری می‌نماید. در رویکرد پیشنهادی برای حفظ تعادل بین توانایی اکتشاف و استخراج با جلوگیری از سکون جمعیت، اجتناب از بهینه محلی و بهبود در الگوریتم های pso و de از مدل ائتلافی یا همکاری در تئوری بازی‌ها استفاده می‌شود. در واقع الگوریتم های pso و de به عنوان دو بازیکن در فضای جستجو هستند، که با استفاده نظریه چانه زنی نش (nash bargaining theory) در هر مرحله با هم بازی همکارانه (cooperative game) انجام داده تا بهترین راه حل را در فضای جستجو بدست آورند. مطابق با ساختارcec2005، بیست و پنج تابع معیار (benchmark functions) برای ارزیابی کارایی الگوریتم پیشنهادی مورد استفاده قرار می‌گیرند. روش پیشنهادی با دو الگوریتم‌ کلاسیک pso وde و الگوریتم‌های ترکیبی که اخیرا پیشنهاد شده است مقایسه می‌شود. نتایج نشان می‌دهد، رویکرد ارائه شده در مقایسه با الگوریتم های‌ کلاسیک و سایر مدل های ترکیبی عملکرد بهتری دارد.

improve particle swarm optimization and differential evolution algorithms using nash bargaining theory

this article proposes a new approach in solving optimization (issues) problems in which two known optimization algorithm of particle swarm algorithm (pso) and differential evolution (de) a cooperate. the proposed approach uses a coalition or cooperation model in the game theory to improve the de and pso algorithms. this is done in an attempt to keep a balance between the exploration and exploitation capabilities by preventing population stagnation and avoiding the local optimum. the de and pso algorithms are two players in the state space, which play cooperative games together using the nash bargaining theory to find the best solution. to evaluate the performance of the proposed algorithm, 25 benchmark functions are used in terms of the cec2005 structure. the proposed algorithm is then compared with the classical de and pso algorithms and the hybrid algorithms recently proposed. the results indicated that the proposed hybrid algorithm outperformed the classical algorithms and other hybrid models.