چکیده:
تکنیک هایی مانند هوش تجمعی یا Swarm Intelligence باعث شد تا بسیاری از مسائلی غیرخطی مهندسی حل بشوند. الگوریتم بهینه سازی پرندگان یا Particle Swarm Optimization (PSO) که در سال 1995 توسط Eberhart و Kennedy مطرح شده است، یک زیر رشته از SI بوده و از الگوی حرکت گروهی که در طبیعت رخ می دهد مانند حرکت گروهی پرندگان الهام گرفته شده است. در این روش اطلاعات «بهترین مکان» هر ذره که براساس تجربیات قبلی به دست آمده است در اختیار تمام ذرات قرار داده می شود. روش اجتماع پرندگان می تواند روشی مناسب و قابل مقایسه و رقابت با دیگر الگوریتم های ابتکاری و فرا ابتکاری موجود باشد و امکان زیادی برای کار و بهبود در روش مذکور وجود دارد. همچنین با وجود فلسفه ساده و دور از محاسبات پیچیده، میسرتر بوده و می تواند در حل بسیاری از مسائل پیوسته و گسسته به کار برده شود. تلاش برای ترکیب این الگوریتم با الگوریتم های بهبود دهنده مناسب به نحوی که درصد بهبود جواب های مناسب ساخته شده توسط آن افزایش یابد در ثبت این روش به عنوان یکی از مناسب ترین روشها می تواند موثر باشد. همچنین تلاش برای تعریف مسایل مختلف ترکیبی به نحوی که قابلیت تطبیق با شرایط و پارامترهای این روش را پیدا کنند نیز در استفاده فراگیر این روش می تواند موثر واقع گردد.
مقدمه:
طی سال های اخیر تحقیقات وسیعی در خصوص روش های بهینه سازی جهت حل مسایل دینامیکی در عرصه های مهندسی و تجاری صورت گرفته است و روش های بهینه سازی متعددی مورد بررسی قرار گرفته اند. دسته ای از این روش ها که به روش های تکاملی موسومند به جهت ویژگی های مناسب خود مورد توجه واقع شده اند. یکی از روش های بهینه سازی هوشمند که در طبقه بندی روش های تکاملی قرار می گیرد و مانند الگوریتم ژنتیک از روش های مبتنی بر جمعیت می باشد الگوریتم بهینه سازی اجتماع پرندگان نام دارد و به اختصار PSO نامیده می شود. این روش بهینه سازی با الهام از رفتار پرندگان و چگونگی عملکردشان در یافتن لانه شان، طراحی شده و به خوبی توانایی بهینه سازی مسایل شناخته شده مهندسی را دارد. در این فصل ابتدا اساس و پایه این الگوریتم شرح داده شده و سپس نحوه پیاده سازی آن در دو حالت گسسته و پیوسته بیان می گردد.
فصل اول:
بررسی روش بهینه سازی براساس الگوریتم اجتماع پرندگان
1-1- تاریخچه
PSO به وسیله یک روانشناس (kennedy) و یک مهندس برق (Eberhart) در سال 1995 به وجود آمده است و از الگوریتم هایی که رفتار گروهی دیده شده در انواع پرندگان را مدل می کردند ناشی شده است. Kennedy و Eberhart در مدل هایی که به وسیله یک زیست شناس به نام Heppner توسعه پیدا می کرد علاقه مند شدند. Heppner پرندگان را در رفتارهای گروهی وقتی که به سمت لانه کشیده می شدند مطالعه می کرد.
در شبیه سازی ها، پرندگان بدون هیچ مقصد خاصی پرواز می کردند و گروه هایی از آنها خود به خود شکل می گرفت تا زمانی که یکی از این پرندگان بر روی لانه ظاهر می شد. یک پرنده به خاطر فرود بر روی لانه از گروه دور می شد که در نتیجه آن دیگر پرندگان به سمت لانه حرکت می کردند. زمانی که این پرندگان لانه را کشف می کردند در آنجا فرود می آمدند و پرندگان بیشتری به سمت لانه تا زمانی که کل گروه در آنجا فرود بیاید کشیده می شدند. پیدا کردن یک لانه نظیر پیدا کردن یک جواب در یک زمینه از جواب های ممکن در یک فضای مساله است.
