Particle swarm systems for multimodal optimization

Abstract

Bilim, mühendislik ve ekonomi gibi birçok alandaki yaşamsal problem optimizasyonile iç içedir. Bu optimizasyon problemlerinin bir kısmı, amacın bir arama uzayındabirbirinden farklı ve eşit kalitedeki birden fazla çözüm kümelerini bulmak olan çokdoruklu problemlerden oluşur. Zor optimizasyon problemlerini çözmek için genel olarakmeta-buluşsal yöntem ve yaklaşımlar kullanılır. Ancak, problemin çok doruklu olduğudurumlarda bazı iyileştirmeler gerekebilir. Bir Swarm Intelligence tekniği olan ParticleSwarm Optimizer (PSO) yönteminin en uygun çözüm kümesini bulmakta başarılı olduğudeneysel olarak gösterilmiştir. Ayrıca, PSO'nun çeşitli değişikliklere uğratılmış sürümleride çok doruklu problemlerde kullanılabilirliğini sağlamıştır. Bu tez, çok dorukluproblemler için önerilmiş mevcut PSO algoritmalarının yaygın kullanılan karşılaştırmafonksiyonları üzerindeki performanslarını karşılaştırmaktadır. Buna ek olarak, çok dorukluproblemler için delilik içeren ve tepe tımanmadan faydalanan yeni bir PSO algoritmasıönerilmektedir.

Many real world problems in science, engineering and economy, involve inoptimization. Multimodal optimization problems represent a subset of such problems,where the goal is to obtain multiple different solutions with equal (or preferable) quality ina single search space. Meta-heuristics, especially, evolutionary computation techniques arethe most commonly used approaches for solving difficult optimization problems. However,due to the multimodality, they might require some enhancements. Particle SwarmOptimizer (PSO), as a swarm intelligence technique, has proven its success in solvingoptimization problems. Additionally, several modified versions of the PSO algorithm makeit a good choice for attacking multimodal problems as well. In this thesis, the performanceof existing multimodal PSO techniques are analyzed over a set of well-known benchmarkfunctions. Moreover, a new PSO algorithm based on craziness and hill-climbing isproposed for solving multimodal optimization problems.