ذره های در الگوریتم استاندارد بهینه سازی ذرات (PSO) و تغییرات آن از یک رفتار یکسان پیروی می کنند. که در آن ذرات سرعت و موقعیتش بروز می شود. که ذرات در جستجو مشخصات یکسانی را نشان می دهند. بهینه سازی ازدحام ذرات ناهمگن (HPSO)که در این مقاله ارائه شده است، که در آن ذرات های برای جستجو رفتار انتخاب شدند که در یک گروه رفتاری هستند، در نتیجه می توانیم کفیت کار را به راحتی مورد سنجش قرار بدهیم. تجزیه و تحلیل تجربی اولیه ارائه شده نشان می دهد که می توان از ازدحام های ناهمگون نیز استفاده نمود.

 

۱- معرفی

بهینه سازی ازدحام ذرات[۳,۸] (PSO)روش بهینه سازی تصادفی مبتنی بر جمعیت است.PSO الگوریتمی است که انتخاب روشهای فرا خوانی ازدحام ذرات را ادامه می دهد. هر ذره تنظیم موقعیت خود را در فضای جستجو با اضافه کردن به موقعیت فعلی خود را یک اندازه گام که سرعت نامیده می شود. اندازه گام و این که تا چه حد یک ذره در بهترین موقعیت است در طول فرآیند جستجو محاسبه می شود و این که یک ذره تا چه حد در بهترین راه حل نسبت به همسایه است. در PSO استاندارد تغییرات [۴]در تمام ذرات به علت همگن بودن مشابه بوده دقیقا همان رفتار را دارند. برای ذرات به صورت یکنواخت تغیرات سرعت و موقعیت را انجام می دهند. این نتیجه یک شناسایی یکنواخت و/یا بهره برداری از خصوصیات ذرات است.

یکی از جنبه های بسیار مهمی از بهینه سازی ، توانایی الگوریتم بهینه سازی به تعادل بین شناسایی و استخراج است. در ابتدا باید تمرکز الگوریتم بر روی شناسایی باشد در حالی که ترجیح داده می شود استخراج به عنوان فرآیند جستجو بهینه همگر باشد. با این حال دشوار است که تعیین کنیم در کدام نقطه باید الگوریتم از رفتار شناسایی به رفتار استخراجی تعویض نماییم. لذا ممکن است یک مزیت استفاده از ازدحام های ناهمگن این است که اجازه می دهد ذرات متفاوت، سرعت و موقعیت آنها تغییر نمایند. لذا الگوریتم های بهینه سازی توانایی شناسایی و استخراج را در سراسر فرآیند جستجو دارد.

هدف از این مقاله ارائه یک بهنیه سازی ذرات ناهمگن (HPSO) است، در جایی ازدحام ذرات برای جستجو با رفتار متفاوت و انتخاب تصادفی برای تغییر سرعت و موقعیت مطابق قوانین از روی گروه رفتار است . مفهوم رسمی از ازدحام های ناهمگن توسط Engelbrecht [5] معرفی شد، که در این مقاله پیشنهاد و مورد بررسی قرار می گیرد. با این حال اازدحام های ناهمگن ایده جدیدی نیست. به عنوان مثال نمونه ای از روش های موجودکه در آن ذرات امکان پذیر برای اجرای رفتار های مختلف که توسط دیگر ان استفاده شده است

– نوعی از تقسیم بهینه سازی ذرات [۱۶] ، که درآن ذرات امکان پذیر برای تبدیل به یک جستجوی محلی در نزدیکی پایان فرآیند جستجو است.

– چرخه زندگی بهینه سازی ذرات  [۹] ، ذرات در پیروی از چرخه زندگی تغییر می کنند هنگامی که الگوریتم ژنتیک منحصر بفردی در صعود تصادفی در بهینه سازی ازدحام ذرات ایجاد شود . در زمانی که ممکن است رفتار های متفاوتی را دنبال کنند.

– شکار و شکارچی در بهینه سازی ازدحام ذرات [۱۳] ، که در آن حاوی ذرات طعمه و درنده است. ذرات درنده تنها بهترین موقعیت جهانی را به خود جذب می کنند، که نتیجه رفتار آنها است. ذرات طعمه در بهینه سازی ازدحام ذرات و با تغییر ات استاندارد سرعت پیاده سازی می شوند.

– درون بهینه سازی ازدحام ذرات [۲] ، قراردادن راه حل های متعد توسعه یافته است که در ازدحام ذرات استفاده می شود، که در آن ذرات اجرای شناختی تنها به روزرسانی سرعت می شوند، زیر ازدحام ها شکل می گیرند پیرامون بهینه که باعث همگرایی تضمین شده در بهینه سازی ازدحام ذرات است.

– بهینه سازی ازدحام ذرات باردار [۱]، برخی از ذرات باردار هستند نه همه آنها، ذرات باردار نیستند بروز رسانی استاندارد سرعت اجرا می شود در حالی که ذرات که باردار یک نیروی دفع در هنگام بروزرسانی سرعت اضافه می شود.

مدل های اخیر مفهمو کلی از رفتار های ناهمگون ارائه می دهند، که شامل الگوریتم های ناهمگن که توسعه داده شده توسط byOlorunda و Engelbrecht   [۱۱] ، الگوریتم های بهینه سازی ذرات ناهمگون از Montes de Oca et al [10]، و تطبیقی از بهینه سازی ذرات ناهمگن پیشنهاد شده توسط Spanevello و Montes از Oca [14]، الگوریتم های ناهمگن اجازه می دهد تا ازدحام ها در یک مدل coevolutionary برای پیاده سازی الگوریتم های مختلف رفتارهای جستجو استفاده می شود. Montes از OCA و همکارانش سطوح مختلف از ناهمگنی در نظر گرفتند، با استفاده از اصطلاح عدم تجانس بروز رسانی حکومت به معنای الگوریتم بهینه سازی ازدحام ذرات که در آن ذرات با استفاده از موقعیت های مختلف و قوانین بروز رسانی سرعت استفاد می شود. در کار خود، ONY دو قانون بروز رسانی های مختلف مورد استفاده قرار گرفت. Spanevello و Montes از د OCA پیشنهاد کرد که رفتار در طول فرآیند بهینه سازی تغییرنمایید. بهینه سازی ازدحام ذرات ناهمگن پیشنهاد شده در این مقاله از الگوریتم بهینه سازی ازدحام ذرات گفته شده متفاوت است، که در آن رفتار به صورت تصادفی از یک گروه از رفتارها انتخاب می شود. دو راهبرد پیشناد شده است که در آن رفتار به طور تصادفی انتخاب شده و دیگر موارد ثابت می ماند و از سوی دیگر دررفتارجدید در هر تکرار تغییر به طور تصادفی از گروه رفتارها انتخاب شود. تجزیه و تحلیل اولیه نشان داده است بهینه سازی ذرات ناهمگن پیشنهادی مناسب است.

بقیه مقاله به شرح زیر سازماندهی شده: در قسمت ۲ چند الگوریتم بهینه سازی ازدحام ذرات همگن که فقط در موقعیت اجرا و قوانین بروز رسانی سرعت متفاوت است. در بهینه سازی ازدحام ذرات ناهمگن که در قسمت ۳ ارائه شده است در حالی که برخی از نتایج تجربی در بخش ۴ ارائه شده است.