مقاله ترجمه شده تجزیه و تحلیل الگوریتم بهینه سازی ازدحام ذرات

 

کد محصول:CM11

قیمت فایل ترجمه شده:  ۱۵۰۰۰  تومان

تعداد صفحه انگلیسی:۱۲

سال نشر: ۲۰۱۲

تعداد صفحه ترجمه فارسی:      ۱۱   صفحه word

عنوان فارسی:

مقاله ترجمه شده تجزیه و تحلیل الگوریتم بهینه سازی ازدحام ذرات (PSO)

عنوان انگلیسی:

An Analysis of Particle Swarm Optimizers

چکیده فارسی:

شما با صدای ساعتتان بیدار می شوید. ساعتی که توسط شرکتی ساخته می شود تا سود خود را با مد نظر قرار دادن تخصیص بهینه منابع تحت کنترلش به حداکثربرساند. شما کتری را روشن می کنید تا قهوه ای درست کنید، بدون اینکه در مورد مدت زمان طولانی که شرکت برق برای بهینه سازی ارائه برق وسایل تان صرف می کند، فکر کنید. هزاران متغیر در شبکه برق تلاشی را به منظور به حداقل رسانی اتلاف در شبکه به منظور به حداکثر رساندن بازدهی تجهیزات برقی تان انجام می دهد. شما وارد اتومبیلتان شده وموتور را بدون درک پیچیدگی های این معجزه کوچک مهندسی شده، روشن می کنید. هزاران پارامتر توسط سازندگان مد نظر قرار داده می شود تا وسیله نقلیه ای را تحویل دهند که متناسب با انتظارتان بوده، که شامل  زیبایی بدنه تا شکل آینه بغل اتومبیل می باشد تا از تصادف جلوگیری شود. زمانی که در ترافیک گیر می کنید، به این می اندیشید که آیا برنامه ریزان شهری می توانند به بهینه سازی طرح جاده بپردازند تا تنها در طی یک ساعت به محیط کار خود برسید؟

نتیجه گیری

یکی از پیشرفت های قابل توجه تر در نظریه بهینه سازی انتشار قضیه No Free Lunch (NFL) توسط ولپرت و مارک ردی می باشد. این قضیه بیان می کند که عملکرد تمام الگوریتم های بهینه سازی، که در ارتباط با مجموعه ای از تمام توابع امکان پذیر می باشند، مشابه هستند.

کاربردهای این قضیه دور از دسترس می باشد، زیرا دلالت بر این دارد که هیچ الگوریتمی نمی تواند طراحی شده و به این ترتیب برتر از تعیین شمارش خطی فضای جستجو یا حتی جستجوهای کاملا تصادفی می باشد. این قضیه در فضای جستجوی محدود تعریف می گردد، و همچنان مشخص نمی باشد که آیا نتیجه دلالتی بر فضاهای جستجوی نامحدود دارد یا خیر. تمام موارد پیاده سازی کامپیوتری الگوریتم های جستجو به طور موثری بر روی فضای جستجوی محدود فعالیت دارند. بنابراین چنین قضیه ای مستقیما برای تمام الگوریتم ها موجود کاربرد دارد.

اگرچه قضیه NFL بیان می کند که تمام الگوریتم ها دارای فعالیت مشابهی بر روی مجموعه تمام توابع می باشند، لزوما برای تمام زیرمجموعه های این مجموعه مد نظر قرار نمی گیرد. مجموعه تمام توابع در یک دامنه محدود شامل مجموعه ای از تمام جایگشت های مربوط به این دامنه می باشد. بسیاری از این توابع دارای توضیحات فشرده نمی باشند، بنابراین به نظر می آید که در سطح گسترده ای به صورت تصادفی باشند. اکثر توابع حقیقی به هر حال دارای ساختار می باشند، و اغلب شامل واصف های فشرده می باشند. این نوع از توابع زیرمجموعه نسبتا کوچکتری از مجموعه تمام توابع شکل می دهند. این موارد منجر به ایجاد نسخه های تقلبی NFL شده ، که نشان می دهد شامل زیرمجموعه های کوچکتری از موارد اولیه مورد قبول می باشد.

روش سازنده دیگر آزمایش و مشخص کردن مجموعه ای از توابع می باشد که NFL مد نظر نمی باشد. گریستنسن و همکارانش به بیان تعریفی از توابع قابل جستجو و خمچنین الگوریتم کلی پرداخته اند که دارای عملکرد بهتری از جستجوی تصادفی بر روی این مجموعه از توابع قابل جستجو می باشد.

این مقاله همگام با روش دوم قرار دارد، و فرض بر این است که این امکان وجود دارد تا الگوریتم هایی را طراحی کنیم که به طور متوسط دارای عملکرد بهتری از موارد دیگر  بر روی زیرمجموعه محدودی از مجموعه تمام توابع باشد. تلاش بیشتری برای مشخص کردن این زیرمجموعه انجام نمی گیرد. در عوض نتایج تجربی مورد استفاده قرار می گیرد تا نشان دهد که کاربردهای جهان واقعی مزایایی را از الگوریتم های بهبود یافته بدست می آورد.