Particle Swarm Optimization (PSO) i

Particle Swarm Optimization (PSO) is a relatively recent heuristic search method whose
mechanics are inspired by the swarming or collaborative behavior of biological populations.
PSO is similar to the Genetic Algorithm (GA) in the sense that these two evolutionary
heuristics are population-based search methods. In other words, PSO and the GA move
from a set of points (population) to another set of points in a single iteration with likely
improvement using a combination of deterministic and probabilistic rules. The GA and its
many versions have been popular in academia and the industry mainly because of its
intuitiveness, ease of implementation, and the ability to effectively solve highly nonlinear,
mixed integer optimization problems that are typical of complex engineering systems. The
drawback of the GA is its expensive computational cost. This paper attempts to examine the
claim that PSO has the same effectiveness (finding the true global optimal solution) as the
GA but with significantly better computational efficiency (less function evaluations) by
implementing statistical analysis and formal hypothesis testing. The performance
comparison of the GA and PSO is implemented using a set of benchmark test problems as
well as two space systems design optimization problems, namely, telescope array
configuration and spacecraft reliability-based design.

ผลลัพธ์ (ไทย) 1:

เพิ่มประสิทธิภาพฝูงในอนุภาค (PSO) เป็นวิธีการค้นหาแล้วค่อนข้างล่าสุดซึ่งกลศาสตร์เป็นแรงบันดาลใจ โดย swarming หรือร่วมกันทำงานของประชากรชีวภาพPSO จะคล้ายกับพันธุอัลกอริทึม (GA) ในแง่ที่สองเหล่านี้วิวัฒนาการลองผิดลองถูกเป็นวิธีการค้นหาตามประชากร ในคำอื่น ๆ PSO และ GA จะย้ายจากจุด (ประชากร) ชุดอื่นของจุดในการเกิดซ้ำที่เดียวกับแนวโน้มปรับปรุงโดยใช้ชุดของ deterministic และ probabilistic GA และหลายรุ่นได้รับความนิยมใน academia และอุตสาหกรรมส่วนใหญ่เนื่องจากการintuitiveness ความง่ายในการใช้งาน และความสามารถในการแก้ไขอย่างมีประสิทธิภาพสูงไม่เชิงเส้นปัญหาปรับผสมเต็มที่ของระบบวิศวกรรมที่ซับซ้อน ที่คืนเงินของ GA จะคำนวณต้นทุนแพง กระดาษนี้พยายามตรวจสอบการอ้างว่า PSO มีประสิทธิภาพเหมือนกัน (หาโซลูชันสูงสุดทั่วโลกจริง) เป็นการGA มีมากดีกว่าประสิทธิภาพเชิงคำนวณ (น้อยกว่าการประเมินฟังก์ชัน) โดยการใช้การวิเคราะห์ทางสถิติและทดสอบสมมติฐานอย่างเป็นทางการ ประสิทธิภาพการทำงานเปรียบเทียบของ GA และ PSO จะดำเนินการโดยใช้ชุดของปัญหาทดสอบมาตรฐานเป็นดีเป็นการออกแบบระบบพื้นที่สองปัญหาเพิ่มประสิทธิภาพ ได้แก่ กล้องโทรทรรศน์เรย์ยานอวกาศและการกำหนดค่าความน่าเชื่อถือตามการออกแบบ

ผลลัพธ์ (ไทย) 2:

ฝูงอนุภาค Optimization (PSO)
เป็นวิธีการค้นหาแก้ปัญหาล่าสุดค่อนข้างมีกลไกที่เป็นแรงบันดาลใจโดยปีนป่ายหรือพฤติกรรมการทำงานร่วมกันของประชากรทางชีวภาพ.
PSO คล้ายกับอัลกอริทึม (GA)
ในแง่ที่ว่าทั้งสองวิวัฒนาการการวิเคราะห์พฤติกรรมที่มีการค้นหาประชากรตามวิธีการ ในคำอื่น ๆ PSO และ GA
ย้ายจากชุดของจุด(ประชากร)
เพื่อชุดของจุดอื่นในการย้ำเดียวที่มีแนวโน้มปรับตัวดีขึ้นโดยใช้การรวมกันของกฎระเบียบที่กำหนดและความน่าจะเป็น เมนบอร์ด GA
และของหลายรุ่นได้รับความนิยมในภาคการศึกษาและอุตสาหกรรมส่วนใหญ่เป็นเพราะของ
intuitiveness
ความสะดวกในการดำเนินงานและความสามารถในการแก้ปัญหาได้อย่างมีประสิทธิภาพไม่เชิงเส้นสูงปัญหาการเพิ่มประสิทธิภาพจำนวนเต็มผสมที่เป็นปกติของระบบวิศวกรรมที่ซับซ้อน
ข้อเสียเปรียบของ GA เป็นค่าใช้จ่ายในการคำนวณที่มีราคาแพง บทความนี้พยายามที่จะตรวจสอบการเรียกร้องที่มีประสิทธิภาพ PSO เดียวกัน (การหาทางออกที่ดีที่สุดจริงทั่วโลก) เป็น GA แต่มีประสิทธิภาพที่ดีขึ้นอย่างมีนัยสำคัญในการคำนวณ (น้อยการประเมินผลการทำงาน) โดยการดำเนินการวิเคราะห์ทางสถิติและการทดสอบสมมติฐานอย่างเป็นทางการ ผลการดำเนินงานเปรียบเทียบ GA PSO และจะดำเนินการโดยใช้ชุดของปัญหาการทดสอบมาตรฐานในฐานะเดียวกับสองพื้นที่ปัญหาการเพิ่มประสิทธิภาพการออกแบบระบบคืออาร์เรย์กล้องโทรทรรศน์การตั้งค่าและการออกแบบยานอวกาศที่ใช้ความน่าเชื่อถือ

ผลลัพธ์ (ไทย) 3:

เพิ่มประสิทธิภาพของฝูงอนุภาค ( PSO ) เป็นวิธีการที่ค่อนข้างล่าสุดสำหรับการค้นหา
ช่างเป็นแรงบันดาลใจจากการจับกลุ่มหรือพฤติกรรมความร่วมมือของประชากรทางชีวภาพ .
PSO คล้ายกับขั้นตอนวิธีเชิงพันธุกรรม ( GA ) ในความรู้สึกว่า สองคนนี้เป็นวิวัฒนาการอักษร
- ตามจำนวนประชากรวิธีการค้นหา ในคำอื่น ๆออนไลน์และย้าย
กาจากชุดของจุด ( ประชากร ) จุดอีกชุดหนึ่งในการเดียวที่มีแนวโน้มการปรับปรุง
โดยใช้การรวมกันของกฎเชิงกำหนดและการ . เกมและของ
หลายรุ่นได้รับความนิยมในสถาบันการศึกษาและอุตสาหกรรมส่วนใหญ่เนื่องจาก
ความคิดริเริ่ม ความง่ายในการใช้งาน และความสามารถในการได้อย่างมีประสิทธิภาพแก้ปัญหา
ไม่เป็นเชิงเส้นสูงผสมจำนวนเต็มเพิ่มประสิทธิภาพปัญหาที่เป็นปกติของระบบวิศวกรรมที่ซับซ้อน
ข้อเสียของเกม คือ การคำนวณต้นทุนมันแพง งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อศึกษา
อ้างว่าระบบมีประสิทธิผลเดียวกัน ( หาจริงทั่วโลกที่ดีที่สุดโซลูชั่น ) เป็น
GA แต่การคำนวณประสิทธิภาพดีขึ้น ( ประเมินฟังก์ชันน้อย
) โดยสถิติที่ใช้ในการวิเคราะห์ข้อมูลและทดสอบสมมติฐานใช้เป็นทางการ การแสดง
เปรียบเทียบกา PSO จะดําเนินการโดยใช้ชุดของปัญหาการทดสอบเกณฑ์มาตรฐานเป็น
รวมทั้งสองระบบเพิ่มประสิทธิภาพการออกแบบพื้นที่ปัญหาคือค่าอาร์เรย์กล้องโทรทรรศน์และความน่าเชื่อถือ
ยานอวกาศออกแบบโดยใช้ .