دوره 22، شماره 2 - ( 6-1404 )
جلد 22 شماره 2 صفحات 30-3 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sadeghi Moghadam M, nejatian S, Parvin H, Bagheri Fard K, Yagoubian S H. Solving dynamic optimization problems with an Improved Imperialis Competition Algorithm. JSDP 2025; 22 (2) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1394-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1394-fa.html
صادقی مقدم مهدی، نجاتیان صمد، پروین حمید، باقری فرد کرم الله، یعقوبیان سید هادی. حل مسائل بهینهسازی پویا با یک الگوریتم رقابت استعماری بهبودیافته. پردازش علائم و داده‌ها. 1404; 22 (2) :3-30
دانشگاه آزاد اسلامی، نورآباد ممسنی، فارس، ایران
چکیده: (30 مشاهده)
بسیاری از مسائل عملی در بهینهسازی ایستا در نظر گرفته میشوند. با این حال، بسیاری از مسائل دنیای واقعی پویا هستند. چالش‌های خاصی برای بهینهسازی در محیط‌های پویا وجود دارد: اطلاعات مربوط به مسئله در طول زمان منتشر می‌شود، رویدادهای نامشخص ممکن است رخ دهند، یا الزامات مسئله ممکن است با گذشت زمان تغییر کنند. یک راه متداول برای حل مسائل بهینه سازی پویا استفاده از الگوریتمهای تکاملی است. در میان الگوریتمهای مختلف بهینهسازی مبتنی بر هوش جمعی، الگوریتم بهینهسازی رقابت استعماری (ICA) توجه بسیاری را به خود جلب کرده است. مطالعات متعددی از ICA در بهینهسازی ایستا استفاده کرده‌اند و نتایج حاکی از عملکرد خوب در محیط‌های ایستا و عملکرد ضعیف در محیط‌های پویا است. در این مقاله، یک الگوریتم بهینهسازی جدید در محیط‌های پویا بر اساس رویکرد بهینهسازی رقابت استعماری پیشنهاد شده که در آن مکانیسم‌های مختلفی برای رویارویی با چالش‌های این حوزه بهکار گرفته شده است. در این الگوریتم از رویکرد چنددستهای بهبود یافته برای یافتن بهینه (بهینهها) در فضای مسئله و ردیابی آنها پس از تغییر محیط در زمان مناسب استفاده شده است. این الگوریتم ICA اصلاح شده مبتنی بر حافظه و خوشه بندی است. ترکیب حافظه پیشنهادی با خوشهبندی توانسته است با ایجاد تنوع کافی در هر دسته از جمعیت، عملکرد روش پیشنهادی را در ردیابی بهینه‌های تغییر (بهینه) افزایش دهد. این مقاله از نوع جدیدی از حافظه استفاده می‌کند که بین اکتشاف و بهره‌برداری در الگوریتم پیشنهادی مصالحه ایجاد می‌کند. استفاده از روش خوشهبندی مناسب میتواند تنوع را در طول زمان اجرا الگوریتم افزایش دهد. در این روش از تکنیک خوشهبندی k-means در حافظه برای حفظ سطح تنوع استفاده می شود. روش پیشنهادی بر روی معیاری به نام سناریوی دوم برانک به نام MPB آزمایش شده است. MPB یک معیار مناسب برای ارزیابی عملکرد الگوریتمهای بهینهسازی در محیط‌های پویا است و همچنین می‌توان از آن برای مسائل بهینهسازی در مقیاس بسیار بزرگ استفاده کرد. الگوریتم پیشنهادی با FTmPSO(TMO)، RAmQSO-s4، RmNAFSA-s4، TFTmPSO، RFTmPSO، mQSO10 (5+5q)، FMSO، CellularPSO، Multi-SwarmPSO، mCPSO،*AmQSO، FTMPSO، almPSO، و CDEPSA مقایسه شده است. . نتایج تجربی نشان می دهد که روش پیشنهادی کارایی بهتری نسبت به روش های پیشرفته دارد.
شماره‌ی مقاله: 1
واژه‌های کلیدی: بهینهسازی پویا، محیط‌های پویا، حافظه، الگوریتم رقابت استعماری، خوشهبندی، محک قله‌‌های متحرک.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1402/6/10 | پذیرش: 1404/4/30 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
دریافت: 1402/6/10 | پذیرش: 1404/4/30 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
