Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu bầy đàn dựa trên tập elitism và ứng dụng của nó
Tóm tắt
Lý thuyết topo đóng một vai trò quan trọng trong Tối ưu hóa Bầy đàn Hạt (PSO) nhằm đạt được hiệu suất tối ưu hóa tốt. Thật khó khăn để tìm ra một cấu trúc topo cho các hạt nhằm đạt được hiệu suất tối ưu hóa tốt hơn so với các cấu trúc khác, vì hiệu suất tối ưu hóa không chỉ phụ thuộc vào khả năng tìm kiếm của các hạt mà còn phụ thuộc vào loại bài toán tối ưu hóa. Trong bài báo này, chúng tôi đề xuất ba thuật toán PSO dựa trên tập elitism mà không sử dụng cấu trúc topo rõ ràng. Một tập elitism, dựa trên kinh nghiệm tốt nhất của từng cá thể, được sử dụng để giao tiếp giữa các hạt. Hơn nữa, để tránh tình trạng lão hóa sớm của các hạt, nhiều phương pháp thống kê khác nhau đã được sử dụng trong ba phương pháp được đề xuất. Hiệu suất của các PSO được đề xuất được so sánh với kết quả của PSO tiêu chuẩn 2011 và một số PSO với các topo khác nhau, và kết quả mô phỏng cùng với sự so sánh cho thấy rằng PSO đề xuất với khả năng ưu tiên xác suất thích ứng có thể đạt được hiệu suất tối ưu hóa tốt.
Từ khóa
#Tối ưu hóa bầy đàn #PSO #tập elitism #cấu trúc topo #hiệu suất tối ưu hóaTài liệu tham khảo
C.M. Huang, C.J. Huang and M.L. Wang, A particle swarm optimisation to identifying the ARMAX model for short-term load forecasting, IEEE Transaction on Power Systems, 20 (2) (2005) 1126–1133.
M. Clerc, Particle Swarm Optimisation. (ISTE Publishing Company, 2006).
N. Nedjah, and L.D.M. Mourelle, Systems Engineering Using Particle Swarm Optimisation, (Nova Science Publishers, 2007).
Y. del Valle and G.K. Venayagamoorthy, Particle Swarm Optimisation: Basic Concepts, Variants and Applications in Power Systems, IEEE Transactions on Evolutionary Computation, 12 (2) (2008) 171–195.
J. Kennedy and E.C. Eberhart and Y.H. Shi, Swarm intelligence. (San Francisco: Morgan Kaufmann Publisher, 2001).
J. Kennedy, Small worlds and mega-minds: Effects of neighbourhood topology on particle swarm performance. in Proc. of IEEE Congress Evolutionary Computation, July, 3 (Bureau of Labor Statistics, USA, 1999) 1931– 1938.
J. Kennedy and R. Mendes, Population structure and particle swarm performance, in Proc. of IEEE Congress Evolutionary Computation, (Honolulu, HI, USA, May 2002), 2, pp. 1671–1676.
J. Kennedy, M. Clerc, et. al., Particle Swarm Central, http://www.particleswarm.info/Programs.html, 2012.
M. Clerc and J. Kennedy, The particle Swarm: explosion, stability, and convergence in multi-dimension complex space, IEEE Transactions on Evolutionary Computation, 6 (1) (2002) 58–73.
B. Liu, L. Wang, Y.H. Jin, F. Tang, and D.X. Huang, Improved particle swarm optimization combined with chaos, Chaos, Solitons and Fractals, 25 (2005) 1261–1271.
J. Kennedy and R.C. Eberhart, Particle swarm optimisation, in Proc. of. IEEE International Conference Neural Networks, (Perth, Australia, 1995 ) pp. 1942– 1948.
M. Dorigo, Optimization, Learning and Natural Algorithms, PhD thesis, Politecnico di Milano, Italie, 1992.
S. Rahnamayan, H.R. Tizhoosh, M.M.A. Salama, Opposition-based differential evoution, IEEE transactions On Evolutionary Computation, 12(1) (2008) 64–79.
Y. Zhang, S. Wang, and G. Ji, A Comprehensive Survey on Particle Swarm Optimization Algorithm and Its Applications, Mathematical Problems in Engineering, (2015), Article ID 931256, 38 pages.
I.F. Jr., M. Perc, K. Ljubič, S.M. Kamal, and A. Iglesias, Particle swarm optimization for automatic creation of complex graphic characters, Chaos, Solitons & Fractals, 73 (2015) 29–35.
Z. Yaqin, L. Beizhi, and W. Lv, Study on job-shop scheduling with multi-objectives based on genetic algorithms, in Proc. of the International Conference on Computer Application and System Modelling (ICCASM ’10), (Taiyuan, China, October 2010), pp. v10294– v10298.
N.H. Moin, O.C. Sin, M. Omar, Hybrid Genetic Algorithm with Multiparents Crossover for Job Shop Scheduling Problems, Mathematical Problems in Engineering, Volume 2015 (2015), Article ID 210680, 12 pages
J. Gao, R. Chen and W. Deng, An efficient tabu search algorithm for the distributed permutation flowshop scheduling problem, International Journal of Production Research, 51 ( 3) ( 2013) 641–651.
Q.K. Pan and R. Ruiz, An effective iterated greedy algorithm for the mixed no-idle permutation flowshop scheduling problem, Omega, 44 (2014) 41–50.
T. Celso, Miasaki, M.C. F. Edgar and A.R. Ruben, Transmission Network Expansion Planning Considering Phase-Shifter Transformers, Journal of Electrical and Computer Engineering, 2012 (2012), Article ID 527258, 10 pages
S. Das and P.N. Suganthan, Problem Definitions and Evaluation Criteria for CEC 2011 Competition on Testing Evolutionary Algorithms on Real World Optimization Problems, Technical Report, Jadavpur University, India and Nanyang Technological University 2010.
Q. Ni, X. Yin, K. Tian and Y. Zhai, Particle swarm optimization with dynamic random population topology strategies for a generalized portfolio selection problem Natural Computing, Natural Computing: an international journal, 16 (1) (2017) , 31–44.
D. Chen, R. Zhang, C. Yao, Z. Zhao, Dynamic topology multi force particle swarm optimization algorithm and its application, Chinese Journal of Mechanical Engineering, 29 (1) (2016) 124–135.
C.M. Fernandes, J.L.J. Laredo, J.J. Merelo, C. Cotta, A.C. Rosa, Particle swarm optimization with dynamic topology and conservation of evaluations, Studies in Computational Intelligence, 620 (2016) 97–111.
D.J. Watts, and S.H. Strogatz, Collective dynamics of ‘small-world’ networks. Nature, 393 (1998) 440–442.
C. Liu, Du WB, Wang WX, Particle swarm optimization with scale-free interactions, Plos One, 9(5) (2014) 1–8.