دانلود ترجمه مقاله بهینه سازی خوشه های لنارد جونز با بهینه سازی ازدحام ذرات

1. مقدمه 2. مسئله بهینه سازی خوشه های LJ 3. الگوریتم بهینه سازی پیشنهادی 4. آزمایش و نتایج 5. نتیجه گیری

چکیده – هدف از بهینه سازی خوشه های لنارد جونز (LJ) یافتن حداقل تابع پتانسیل یک خوشه و در نتیجه تعیین پیکربندی پایدار خوشه است. این مسئله در اصل یک مسئله بهینه سازی عمومی چند نمایی کاملاً غیرقابل تفکیک است، و استفاده از الگوریتم سنتی ازدحام ذرات برای حل آن غالباً منجر به همگرایی محلی می شود که به این معنی است که دقت پاسخ الگوریتم بالا نیست. بنابراین در تحقیق حاضر الگوریتم LJ را با استفاده از روش بهینه سازی ازدحام ذرات (PSO) و روش فیزیکی ایجاد کردیم تا دقت پاسخ بهبود یابد. در این استراتژی شبه فیزیکی (QPS) الگوریتم ازدحام ذره برای شبیه-سازی ساختار اتمی واقعی بکار می رود و شامل نیروی اتمی برای ساخت مدل همگرایی است تا الگوریتم در فضای عمومی و فضای محلی عملکرد بهتری داشته باشد. توابع انرژی پتانسیل سیستم های خوشه LJ به عنوان تابع تست انتخاب شدند و الگوریتم PSO بهبود یافته (QPS-PSO) با بهینه ساز ازدحام رقابتی، کانولوشن همیاری PSO، و کانولوشن همیاری گروه دیفرانسیل، طول متغیر PSO برای انتخاب ویژگی، یادگیری جامع ناهمگون PSO، PSO دسته جمعی و کانولوشن همیاری با بهینه سازی دیفرانسیل تحلیل و مقایسه شده است. نتایج نشان می دهد که الگوریتم PSO برای خوشه های LJ با استفاده از QPS پیشنهادی دقت بیشتری را در پاسخ مسئله موجب شد، بویژه در فضاهای دارای ابعاد بالا.

The goal of Lennard-Jones (LJ) clusters optimization is to find the minimum value of the potential function of a cluster and thereby determine the stable configuration of the cluster. It is essentially a completely inseparable multimodal global optimization problem, and using the traditional particle swarm algorithm to solve it often results in local convergence, which means that the solution accuracy of the algorithm is not high. Thus, in this study, we develop a LJ algorithm using a particle swarm optimization (PSO) method and a physical approach to improve the solution accuracy. In this quasi-physical strategy (QPS), the particle swarm algorithm is used to simulate the real atomic structure and incorporates the interatomic force to construct a convergence model so that the algorithm performs well in both global and local space. The potential energy functions of a variety of LJ cluster systems are selected as test functions, and the improved PSO algorithm (QPS-PSO) is analyzed and compared with a competitive swarm optimizer, cooperative coevolution PSO, and differential-group cooperative coevolution, variable-length PSO for feature selection, heterogeneous comprehensive learning PSO, ensemble PSO and cooperative coevolution with differential optimization. The results show that the PSO algorithm for LJ clusters using the proposed QPS has noticeably superior solution accuracy, especially in high-dimensional spaces.

ترجمه این مقاله در 27 صفحه آماده شده و در ادامه نیز صفحه 8 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.