Particle swarm optimization (PSO) w

Particle swarm optimization (PSO) was firstly introduced by Kennedy and Eberhart in 1995 [1]. It belongs to evolutionary algorithm (EA), however differs from other evolutionary algorithms, which is inspired by the emergent motion of a flock of birds searching for food. PSO performs well in finding good solutions for optimizationproblems [2], and ithas become another powerfultool besides other evolutionary algorithms such as genetic algorithms (GA) [3]. PSO is initialized with a population of particles randomly positioned in an n-dimensional search space. Every particle in the population has two vectors, i.e., velocity vector and position vector. The PSO algorithm is recursive, which motivates social search behavior among particles in the search space, where every particle represents one point. In comparison with other EAs such as GAs, the PSO has better search performance with faster and more stable convergence rates.
Maintaining the balance between global and local search in the course of all runs is critical to the success of an optimization algorithm [4]. All of the evolutionary algorithms use various methods to achieve this goal. To bring about a balance between the two searches, Shi and Eberhart proposed a PSO based on inertia weight in which the velocity of each particle is updated according to a fixed equation [5]. A higher value of the inertia weight implies larger incremental changes in velocity, which means the particles have more chances to explore new search areas. However, smaller inertia
weight means less variation in velocity and slower updating for particle in local search areas. In this paper, the inertia weight strategies are categorized into three classes. The first class is simple that the value of the inertia weight is constant during the search or is selected randomly. In [6], the impact of the inertia weight is analyzed on the performance
of the PSO. In [7], Eberhart and Shi use random value of inertia weight to enable the PSO to track the optima in a dynamic environment. In the second class, the inertia weight changes with time or iteration number. We name the strategy as time-varying inertia weight strategy. In [8,9], a linear decreasing inertia weight strategy is introduced, which performs well in improving the fine-tuning characteristic ofthe PSO. Lei et al. use the Sugeno function as inertia weight declined curve in [10]. Many other similar linear approaches and nonlinear methods are applied in inertia weight strategies such
as in [11–13]. The last class is some methods that inertia weight is revised using a feedback parameter. In [4], a fuzzy system is proposed to dynamically adapt the inertia weight. In [14], the inertiaweight is determined by the ratio of the global best fitness and the average of particles’ local best fitness in each iteration. In [15], A new strategy is presented that the inertia weight is dynamically

ผลลัพธ์ (ไทย) 1:

เพิ่มประสิทธิภาพในการบินว่อนอนุภาค (PSO) ประการแรกถูกนำ โดยเคนเนดี้และ Eberhart ใน 1995 [1] มันเป็นอัลกอริทึมเชิงวิวัฒนาการ (EA) แต่ แตกต่างจากอื่น ๆ วิวัฒนาการอัลกอริทึม ซึ่งได้รับอิทธิพลการเคลื่อนไหวโผล่ออกมาของฝูงนกหาอาหาร PSO ทำดีในการหาดี optimizationproblems [2], และ ithas กลายเป็น powerfultool อื่นนอกจากอัลกอริทึมอื่น ๆ วิวัฒนาการเช่นอัลกอริทึมทางพันธุกรรม (GA) [3] PSO เป็นเริ่มต้น ด้วยประชากรของอนุภาคที่วางสุ่มในพื้นที่การค้นหา n มิติ ทุก ๆ อนุภาคในประชากรมีสองเวกเตอร์ เช่น เวกเตอร์ตำแหน่งและเวกเตอร์ความเร็ว อัลกอริทึม PSO เป็นซ้ำ การค้นหาทางสังคมพฤติกรรมในพื้นที่การค้นหา ที่อนุภาคทุกแสดงถึงจุดหนึ่งแรงบันดาลใจ เมื่อเปรียบเทียบกับ EAs อื่น ๆ เช่นก๊าซ PSO ได้ดีกว่าค้นหาประสิทธิภาพ ด้วยราคาบรรจบกันเร็วขึ้น และมีเสถียรภาพมากขึ้นรักษาสมดุลระหว่างส่วนกลาง และท้องถิ่นค้นหาเรียกใช้ทั้งหมดในหลักสูตรมีความสำคัญต่อความสำเร็จของการปรับอัลกอริทึม [4] อัลกอริทึมวิวัฒนาการทั้งหมดใช้วิธีการต่าง ๆ เพื่อให้บรรลุเป้าหมายนี้ ก่อให้เกิดสมดุลระหว่างการค้นหา ชิและ Eberhart เสนอ PSO เป็นตามน้ำหนักแรงเฉื่อยที่ความเร็วของแต่ละอนุภาคมีการปรับปรุงตามสมการถาวร [5] ค่าน้ำหนักความเฉื่อยสูงหมายถึงการเปลี่ยนแปลงเพิ่มขึ้นใหญ่ขึ้นความเร็ว ซึ่งหมายถึง อนุภาคมีโอกาสมากขึ้นในการสำรวจพื้นที่การค้นหาใหม่ อย่างไรก็ตาม ความเฉื่อยน้อยน้ำหนักหมายถึง การเปลี่ยนแปลงน้อยกว่าในความเร็วและการปรับปรุงช้าสำหรับอนุภาคในพื้นที่การค้นหาในท้องถิ่น ในเอกสารนี้ กลยุทธ์น้ำหนักแรงเฉื่อยจะแบ่งเป็นสามชั้น ชั้นแรกเป็นเรื่องว่า ค่าน้ำหนักความเฉื่อยเป็นค่าคงในระหว่างการค้นหา หรือเลือกแบบสุ่ม ใน [6], ผลกระทบของน้ำหนักความเฉื่อยเป็นวิเคราะห์ประสิทธิภาพการดำเนินงานของ PSO ใน [7], Eberhart และชิใช้สุ่มค่าของน้ำหนักแรงเฉื่อยให้ PSO ติดตามพติในสภาพแวดล้อมแบบไดนามิก ในชั้นสอง การเปลี่ยนแปลงน้ำหนักความเฉื่อยมีเวลาหรือเกิดซ้ำ เราชื่อกลยุทธ์นี้เป็นกลยุทธ์น้ำหนักแรงเฉื่อยที่เวลาแตกต่างกัน ใน [8,9], เชิงลดแรงเฉื่อยน้ำหนักกลยุทธ์การแนะนำ ซึ่งมีประสิทธิภาพดีในการปรับปรุงลักษณะของ PSO การปรับ Al. ร้อยเอ็ด lei ใช้ฟังก์ชัน Sugeno เป็นเส้นโค้งปฏิเสธน้ำหนักแรงเฉื่อยใน [10] ใช้วิธีคล้ายกันเชิงเส้นและไม่เชิงเส้นวิธีอื่น ๆ อีกหลายในความเฉื่อยน้ำหนักกลยุทธ์ดังกล่าวเหมือนใน [11-13] ชั้นสุดท้ายเป็นวิธีบางน้ำหนักแรงเฉื่อยถูกปรับปรุงโดยใช้พารามิเตอร์ผลป้อนกลับ ใน [4], มีเสนอระบบเอิบแบบไดนามิกปรับน้ำหนักแรงเฉื่อย ใน [14], inertiaweight ถูกกำหนด โดยอัตราส่วนของการออกกำลังกายที่ดีที่สุดทั่วโลกและค่าเฉลี่ยของอนุภาคภายในฟิตเนสสุดเนื่อง [15], กลยุทธ์ใหม่แสดงว่า น้ำหนักความเฉื่อยเป็นแบบไดนามิก

ผลลัพธ์ (ไทย) 3:

เพิ่มประสิทธิภาพของฝูงอนุภาค ( PSO ) คือก่อนอื่นแนะนำโดยเคนเนดี้และเอเบอร์ฮาร์ทใน 2538 [ 1 ] มันเป็นของขั้นตอนวิธีเชิงวิวัฒนาการ ( EA ) แต่แตกต่างจากขั้นตอนวิธีวิวัฒนาการอื่น ซึ่งได้รับแรงบันดาลใจจากความเคลื่อนไหวของฝูงนกค้นหาอาหาร ระบบมีประสิทธิภาพดีในการหาโซลูชั่นที่ดีสำหรับ optimizationproblems [ 2 ]และ มีเป็น powerfultool อื่นนอกจากขั้นตอนวิธีวิวัฒนาการอื่น เช่น ขั้นตอนวิธีเชิงพันธุกรรม ( GA ) [ 3 ] ระบบจะเริ่มต้นด้วยจำนวนอนุภาคที่วางแบบสุ่มในพื้นที่การค้นหา n-dimensional . ทุกอณูในประชากรที่มีสองเวกเตอร์ เวกเตอร์เวกเตอร์คือ ความเร็ว และตำแหน่ง เงินอุดหนุนบริการสาธารณะขั้นตอนวิธี recursiveซึ่งกระตุ้นพฤติกรรมการค้นหาทางสังคมของอนุภาคในการค้นหาพื้นที่ที่ทุกอนุภาคที่แสดงถึงจุดหนึ่ง ในการเปรียบเทียบกับ EAs อื่น เช่น ก๊าซ ระบบมีความสามารถค้นหาที่ดีกับเร็วขึ้นและมีเสถียรภาพมากขึ้นอัตราการลู่เข้า .
รักษาสมดุลระหว่างโลกและท้องถิ่นค้นหาในหลักสูตรทั้งหมดวิ่งเป็นสิ่งสำคัญต่อความสำเร็จของขั้นตอนวิธีการเพิ่มประสิทธิภาพ [ 1 ]ทั้งหมดของขั้นตอนวิธีเชิงวิวัฒนาการใช้วิธีการต่างๆเพื่อให้บรรลุเป้าหมายนี้ เพื่อนำมาเกี่ยวกับความสมดุลระหว่างสองค้นหา ซือ และ เอเบอร์ฮาร์ท เสนอระบบขึ้นอยู่กับน้ำหนักความเฉื่อยที่ความเร็วของแต่ละอนุภาคมีการปรับปรุงตามการแก้ไขสมการ [ 5 ] มูลค่าที่สูงของความเฉื่อยน้ำหนักบางขนาดใหญ่เพิ่มการเปลี่ยนแปลงในความเร็วซึ่งหมายความว่าอนุภาคได้มีโอกาสสำรวจพื้นที่ในการค้นหาใหม่ อย่างไรก็ตาม น้ำหนักน้อย หมายถึงการเปลี่ยนแปลงในความเฉื่อย
ที่มีความเร็วช้า และการปรับปรุงสำหรับอนุภาคในพื้นที่การค้นหาท้องถิ่น ในกระดาษนี้ , ความเฉื่อยน้ำหนักกลยุทธ์แบ่งออกเป็น 3 ชั้น ระดับแรกจะง่ายว่าคุณค่าของความเฉื่อยน้ำหนักคงที่ในระหว่างการค้นหาหรือการสุ่มเลือกใน [ 6 ] , ผลกระทบของความเฉื่อยน้ำหนักวิเคราะห์สมรรถนะของระบบ
. ใน [ 7 ] , เอเบอร์ฮาร์ท กับชิใช้สุ่มค่าของน้ำหนักความเฉื่อยเพื่อให้ระบบติดตาม Optima ในสภาพแวดล้อมแบบไดนามิก ในระดับที่สอง ความเฉื่อยน้ำหนักการเปลี่ยนแปลงกับเวลา หรือซ้ำหมายเลข เราชื่อกลยุทธ์เป็นกลยุทธ์น้ำหนักเกิดแรงเฉื่อย ใน [ 8,9 ]เส้นน้ำหนักลดแรงเฉื่อยกลยุทธ์แนะนำซึ่งมีประสิทธิภาพดีในการปรับลักษณะของระบบ . Lei et al . ใช้ฟังก์ชัน sugeno น้ำหนักลดลงใน 3 โค้ง [ 10 ] หลายที่คล้ายกันอื่น ๆ แนวทางและวิธีการเชิงเส้นใช้กลยุทธ์ดังกล่าวในราคาน้ำหนัก
[ 11 – 13 ]คาบสุดท้ายมีบางวิธีที่น้ำหนักความเฉื่อย ปรับใช้ป้อนพารามิเตอร์ ใน [ 4 ] , ระบบฟัซซีนำเสนอไดนามิกปรับความเฉื่อยของน้ำหนัก ใน [ 14 ] , inertiaweight จะพิจารณาจากอัตราส่วนของโลกที่ดีที่สุดฟิตเนสและเฉลี่ยของอนุภาค ' ท้องถิ่นที่ดีที่สุดฟิตเนสในแต่ละซ้ำ . ใน [ 15 ] , กลยุทธ์ใหม่ที่นำเสนอที่ความเฉื่อยน้ำหนักแบบไดนามิก