where r1, r2are random numbers unif

where r1, r2are random numbers uniformly distributed in [0,1]. ωis the inertia weight, C1and C2are acceleration constants, and d isthe dth dimension of the search domain.Although PSO has fast convergence behavior, there is some defi-ciency in PSO performance. This is due to that all particles learnfrom gbest. If gbest falls in local optima the whole swarm may followit and this would lead to premature convergence.Various attempts have been made to overcome the shortcomingof PSO. One of these attempts is hybridizing PSO with other searchtechniques [10–17] to benefit from advantages of each algorithm.The hybridization between DE [18] and PSO looks a promising opti-mizer. This hybridization tries to benefit from good global searchcapability of DE and high speed convergence of PSO.DE is a simple evolutionary algorithm for global optimizationproposed by Price and Storn [18]. The DE-variants perturb the cur-rent population members with the scaled differences of randomlyselected and distinct population members. Therefore, no separate

ผลลัพธ์ (ไทย) 1:

ที่ r1, r2are สุ่มตัวเลขอย่างสม่ำเสมอกระจายใน [0, 1] Ωis น้ำหนักความเฉื่อย คงเร่ง C1and C2are และ d คือ ขนาด dth ของโดเมนค้นหา แม้ว่าของฉันมีลักษณะการทำงานแบบร่วมกันได้อย่างรวดเร็ว มีความบางเรือนในการทำงานของฉัน นี่คือเนื่องจากที่ gbest learnfrom อนุภาคทั้งหมด ถ้า gbest อยู่ในท้องถิ่น optima กับทั้งฝูงอาจ followit และนี้จะนำไปบรรจบกันก่อนวัยอันควร ได้มีความพยายามต่าง ๆ ที่เอาชนะ shortcomingof ของฉัน ความพยายามเหล่านี้อย่างใดอย่างหนึ่งคือ hybridizing ของฉันกับ searchtechniques อื่น ๆ [10-17] ได้รับประโยชน์จากข้อดีของแต่ละอัลกอริทึม Hybridization DE [18] และของฉันดู mizer ทั้งสัญญา Hybridization นี้พยายามที่จะได้รับประโยชน์จาก searchcapability ทั่วโลกดีของ DE และบรรจบกันความเร็วสูงของ PSO.DE เป็นอัลกอริทึมวิวัฒนาการที่ง่ายสำหรับ optimizationproposed โลกโดยราคาและ Storn [18] ย่อย DE perturb สมาชิกเช่าปัจจุบันประชากร มีความแตกต่างตามอัตราส่วนของ randomlyselected และสมาชิกในประชากรที่แตกต่างกัน ดังนั้น ไม่แยก

ผลลัพธ์ (ไทย) 2:

ที่ R1, r2are ตัวเลขสุ่มกระจายอย่างสม่ำเสมอใน [0,1] ωisน้ำหนักความเฉื่อย C1and C2are คงเร่งความเร็วและ D isthe มิติ DTH ของการค้นหา domain.Although PSO มีพฤติกรรมการบรรจบกันได้อย่างรวดเร็วและมีบาง Defi-ciency ในการปฏิบัติงาน PSO นี่คือสาเหตุที่ว่าอนุภาคทั้งหมด learnfrom gbest หากตกอยู่ใน gbest Optima ท้องถิ่นฝูงทั้งหมดอาจ followit และนี้จะนำไปสู่​​ความพยายาม convergence.Various ก่อนวัยอันควรได้รับการทำที่จะเอาชนะ PSO shortcomingof หนึ่งของความพยายามเหล่านี้จะ hybridizing PSO กับ searchtechniques อื่น ๆ [10-17] จะได้รับประโยชน์จากข้อได้เปรียบของแต่ละผสมพันธุ์ algorithm.The ระหว่าง [18] และ PSO ดูแนวโน้ม Opti-Mizer การผสมพันธุ์นี้พยายามที่จะได้รับประโยชน์จาก searchcapability ทั่วโลกที่ดีของและบรรจบความเร็วสูงของ PSO.DE เป็นขั้นตอนวิธีวิวัฒนาการที่ง่ายสำหรับโลก optimizationproposed ตามราคาและ Storn [18] De-สายพันธุ์รบกวนสมาชิกประชากร CUR ให้เช่าที่มีความแตกต่างของการปรับขนาดที่แตกต่างกัน randomlyselected และสมาชิกประชากร ดังนั้นจึงไม่มีการแยกจากกัน

ผลลัพธ์ (ไทย) 3:

ที่ R1 , r2are ตัวเลขสุ่มโดยการกระจาย [ 0.1 ] ωมีความเฉื่อย น้ำหนัก c1and เร่ง c2are ค่าคงที่และ D เป็น DTH มิติของการค้นหาโดเมน แม้ว่าระบบมีพฤติกรรมการลู่เข้าอย่างรวดเร็วมีบางเดฟีประสิทธิภาพในการปฏิบัติ PSO . เนื่องจากว่า อนุภาค learnfrom gbest . ถ้า gbest ตกอยู่ใน Optima ท้องถิ่นฝูงทั้งหมดอาจ followit และนี้จะนำไปสู่การบรรจบกันก่อน ความพยายามต่างๆได้รับการทำเพื่อเอาชนะ shortcomingof PSO . หนึ่งของความพยายามเหล่านี้เป็น hybridizing ออนไลน์กับอื่น ๆ searchtechniques [ 17 ] 10 ) จะได้รับประโยชน์จากข้อได้เปรียบของแต่ละขั้นตอนวิธี การผสมผสานระหว่าง เดอ [ 18 ] และ PSO ดูใ นก OPTI สัญญา ลูกผสมนี้พยายามที่จะได้รับประโยชน์จาก searchcapability ทั่วโลกที่ดีของ เดอ คุณภาพและความเร็วสูง pso.de เป็นขั้นตอนวิธีเชิงวิวัฒนาการแบบสากล optimizationproposed ตามราคาและ storn [ 18 ] เดอ ตัวแปรที่ทำให้ไม่สบายใจ cur ให้เช่าจำนวนสมาชิกกับปรับความแตกต่างของคนและสมาชิกของประชากรที่แตกต่างกัน ดังนั้น ไม่แยก