Adaptif kısıtlama faktörlü parçacık sürü optimizasyonu
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Optimizasyon son yıllarda çok çeşitli alanlarda kullanılan bir teknik olmuştur. Bilgisayar ağlarında, ekonomide, görüntü işlemede, robotikte ve daha birçok alanda kullanılmıştır. Kuş ve balık sürülerinden esinlenilerek oluşturulmuş olan Parçacık Sürü Optimizasyonu (PSO) yöntemi hızlı yakınsayan bir algoritmadır. Bu çalışmada, PSO algoritmalarında genellikle statik olarak yer alan atalet ağırlığı (w) ve adaptif kısıt parametresi (K), benzetim tavlamadaki sıcaklık parametresinden esinlenilerek fonksiyonel şekilde (aritmetik, geometrik ve ters fonksiyon) azaltılarak karşılaştırma (benchmark) fonksiyonları üzerinde algoritmanın performansı incelenmiştir. Sabit parametrelerle elde edilen sonuçlar, uyguladığımız azalan yöntemlerle karşılaştırılmış ve kısıtsız optimizasyon test problemleri için ters fonksiyonun sabit parametreye göre daha başarılı sonuçlar verdiği görülmüştür. Sonuç grafiklerinde de görüleceği üzere, atalet ağırlığı (w) ve adaptif kısıt parametresini (K) kullanan PSO'larda azalan fonksiyonlar ile yapılan testler sabit değer ile yapılan testlere göre daha iyi sonuçlar verdiği gözlemlenmiştir. Gerçek zamanlı uygulamalar için geliştirilen PSO algoritmalarında, parametrelerin sabit kullanımı yerine parametrelerin fonksiyonel şekilde azaltılarak kullanılabileceği önerilmektedir. Optimization has been a technique that has been used in a wide variety of areas in recent years. Computer networks, economics, image processing, robotics and many other areas are used. The Particle Swarm Optimization (PSO) method which is developed from standard PSO, inspired by bird and fish swarms, is a fast converging algorithm. In this study, K and w ,generally used as static, are decreased with as aritmethic, geometric and inversely inspired by temperature parameter in Simulated Annealing and the performances of the algorithms are observed on benchmark function. The results that obtained with constant parameters, compared with reducing methods that applied and it has been shown that the inverse function gives more successful results than the fixed parameter for unconstrained optimization test problems. As can be seen in the result graphs, tests made with functions decreasing in PSOs using inertia weight (w) and adaptive constraint parameter (K) yielded better results than tests with constant values. In PSO algorithms developed for real-time applications, it is suggested that parameters can be used reducing functionally instead of constant use of parameters.
Collections