ازدحام ذرات و الگوریتم


Widget not in any sidebars

اندازه جمعیت را مىتوان در اندازههاى کوچک، متوسط و بزرگ انتخاب نمود، که اندازه متنوع جمعیت مىتواند در اکتشاف و زمان همگرایى تأثیرپذیر باشد.
عمدتاً در فرآیند بهینهسازى و کارایى تکامل تفاضلى، متأثر از دو پارامتر کنترلى F ، ضریب مقیاس گذارى و CR احتمال ترکیب مىباشد.
3-3-2-4-1 اندازه جمعیت NP 
همانطور که در معادله نشان داده شد اندازه جمعیت تأثیر مستقیمى روى توانایى اکتشاف الگوریتمهاى DE دارد. هر چقدر تعداد این افراد بیشتر باشد، تعداد بردارهاى تفاضلى بیشترى موجود خواهد بود و همچنین تعداد جهتهاى بیشترى اکتشاف خواهد شد. با این وجود، باید در نظر داشت که پیچیدگى محاسباتى هر نسل با اندازه جمعیت افزایش مىیابد. مطالعات تجربى زیادى نتیجه گرفته شده است که ، که در آن D و NP به ترتیب تعداد ابعاد و اندازه جمعیت مىباشند.
3-3-2-4-2 ضریب مقیاس گذارى F
ضریب مقیاس گذارى F میزان زیاد شدن اختلاف تفاضل را کنترل مىکند، هر چقدر میزان F کوچکتر باشد، اندازه گام جهش نیز کوچکتر خواهد بود و هرچقدر این میزان بزرگتر باشد، منجر به همگرایى دیرتر الگوریتم مىشود. مقادیر بزرگ F اکتشاف را ساده تر مىسازد، اما ممکن است باعث شود که الگوریتم از نقطه بهینه مناسب فاصله بگیرد. مقدار F باید آنقدر کوچک باشد که به تفاضلها اجازه اکتشاف درههاى تنگ را بدهد و در ضمن آنقدر بزرگ باشد که تنوع جمعیت را حفظ کند و این خاصیت را از دست ندهد. نتایج تجربى نشان دادهاند که ارزشهاى بزرگ براى هر دو فاکتور NP و F اغلب موجب همگرایى زودرس مىگردد و اینکه عموماً کارایى بهترى را فراهم مىآورد.
3-3-2-4-3 احتمال ترکیب 
احتمال ترکیب CR ، تأثیر مستقیمى روى تنوع DE دارد. این پارامتر تعداد عناصر والد که تغییر خواهد کرد را کنترل مىکند. هرچقدر میزان این احتمال بیشتر باشد، تغییرات بیشترى در نسل جدید معرفى مىشود و به موجب آن تنوع جمعیت و همچنین اکتشاف افزایش مىیابد. افزایش CR اغلب باعث افزایش سریع تر همگرائى مىگردد. در حالى که کاهش آن، قدرت جستجو را اقزایش مىدهد. اکثر پیاده سازىهاى استراتژىهاى DE پارامترهاى کنترلى را ثابت نگه مىدارند. اگر چه نتایج تجربى نشان دادهاند که همگرایى DE نسبت به ارزشهاى متفاوت این پارامترها غیر حساس است. کارایى با یافتن بهترین مقدار براى این پارامترهاى کنترلى در هر مسئله مشخص مىتواند بهبود یابد. یافتن مقادیر پارامترهاى کنترلى بهینه یک عمل زمان بر مىباشد و به همین دلیل استراتژیهاى DE خود تطبیق توسعه داده شدهاند.[36و37]
3-3-2-5 استراتژى هاى متنوع DE
تغییرات متعددى روى DE پایه اعمال شدهاست [36و37و38]. استراتژىهاى متفاوت DE در روشى که بردار هدف انتخاب شده است، تعداد بردارهاى تفاضلى استفاده شده و روشى که نقاط برش تعیین مىشوند، فرق مىکنند. به منظور دسته بندى این تغییرات یک نشانهگذارى عمومى در DE با نام DE/x/y/z پذیرفته شده است. در این نماد x بردارى را مشخص مى کند که باید جهش یابد که فعلاً مىتواند “rand ” ( یک بردار جمعیت انتخاب شده تصادفى ) یا “‘best” (بردارى با کمترین هزینه از جمعیت فعلى ) باشد. y تعداد بردارهاى تفاضلى استفاده شده و z روش ادغام را نشان مىدهد که نوع فعلى “bin” مىباشد. استراتژى DE که در بخش قبل شرح داده شد، DE/rand/1/bin مىباشد.
3-3-2-5-1 2/DE/rand
در این استراتژى بیش تر از یک بردار تفاضلى استفاده شده است. در نتیجه بردار هدف به صورت زیر محاسبه مىگردد: 
(3-13)
3-3-2-5-2 1/DE/best
در این استراتژى بردار هدف به صورت بهترین فرد در جمعیت فعلى انتخاب مىشود. در این مورد بردار هدف به صورت زیر محاسبه مىگردد:
(3-14)
3-3-2-5-3 2/DE/best
در این استراتژى بیش تر از یک بردار تفاضلى استفاده شده است و بردار هدف به صورت  فرد در جمعیت فعلى انتخاب مىشود. در این مورد، بردار هدف به صورت زیر محاسبه مىگردد:
(3-15)
3-3-2-5-4 1/ DE / rand-to-best
این استراتژى ترکیبى از استراتژىهاى بهترین و احتمالاتى براى محاسبه بردار هدف در نظر گرفته مىشود:
(3-16)
٣-٣-٣ الگوریتم تجمعى ذره (ازدحام ذرات)
٣-٣-٣-١ مقدمه