دانلود ترجمه مقاله بهینه سازی ازدحام ذرات یادگیری فراگیر رهبر با احتمال بهینه و تکرار بایزی

1. مقدمه 2. بهینه سازی ازدحام ذرات 3. بهینه سازی ازدحام ذرات مبتنی بر تکرار بیزین 4. بررسی عددی 5. کاربرد BCLPSO روی کنترل کیفیت فرآیند خط تولید جوش خودکار برای بدنه خودرو 6. نتیجه گیری و پژوهش های آتی

چکیده – در این مقاله یک الگوریتم جدید یادگیری فراگیر بهینه سازی انبوه ذرات پیشنهاد می شود که بر اساس روش تکرار بیزین است و بهینه سازی انبوه ذرات یادگیری فراگیر بیزین (BCLPSO) نامیده می شود. در الگوریتم اصلی بهینه سازی انبوه ذرات، جهت پرواز هر ذره بر اساس بهترین گزینه و بهینه عمومی است. با این حال این سازوکار به روز رسانی به راحتی به دام بهینه محلی می افتد، در فرآیند تکرار و به روزرسانی ممکن است راه حل بهینه احتمالی نادیده گرفته شود. بنابراین BCLPSO برای تسهیل کشف راه حل احتمالی و دوری از مسئله همگرایی زودهنگام طراحی می شود. در الگوریتم BCLPSO، نمونه ذره بهترین موقعیت عمومی نیست، بلکه موقعیت ذره با بزرگ ترین احتمال قبلی بر اساس فرمول بیزین است. احتمال قبلی با اطلاعات سابقه قبلی توسعه داده می شود. یعنی احتمال قبلی را می توان اطلاعات سابقه ذراتی را به ارث می برند که قابل استفاده است. در این روش، می توان برای پیشگیری از همگرایی زودهنگام، تنوع ذرات را حفظ کرد. BCLPSO به طور آزمایشی روی تابع های آزمون CEC2017 اعتبارسنجی شده و با دیگر الگوریتم های بهینه سازی انبوه ذرات جدید مقایسه می شود. نتایج نشان می دهد که BCLPSO روی مجموعه آزمون CEC 2017 بسیار بهتر از دیگر گونه های بهینه سازی انبوه ذرات عمل می کند. به علاوه الگوریتم برای فرآیند کنترل کیفیت یک خط تولید جوشکاری خودکار برای بدنه خودرو اجرا شده و عملکرد عالی نشان داد. مقدمه: بهینه سازی انبوه ذرات یک الگوریتم تحولی بیولوژیک است که از مطالعه رفتار جستجوی غذای پرندگان و دیگر حیوانات اجتماعی سرچشمه می گیرد. بهینه سازی انبوه ذرات یک روش بهینه سازی تصادفی است که توسط ابرهارت و کندی به ترتیب در مرجع های [1] و [2] پیشنهاد شد. بهینه سازی انبوه ذرات به طور متفاوت از دیگر الگوریتم های تحولی (مانند الگوریتم ژنتیک) عملگرهایی مانند انتخاب، تکرار، و موتاسیون (جهش) ندارد، اما از طریق رقابت و همکاری میان افراد به تکامل جمعیت دست می یابد [3]. سازوکار آن ساده است و می تواند به شکلی کارآمد راه حل های عام را برای برخی مشکلات دشوار کشف کند؛ بنابراین بهینه سازی انبوه ذرات به یکی از روش های معمول بهینه سازی تبدیل شده که به طور موفق در بسیاری از حوزه های مهندسی دخیل در تخصیص کار [4]، سیستم های قدرت [5]، و ثبت تصویر زیست پزشکی [6] بکار گرفته می شود.

In this paper, a novel comprehensive learning particle swarm optimization algorithm, which is based on the Bayesian iteration method and named as Bayesian comprehensive learning particle swarm optimization (BCLPSO), is proposed. In the original PSO, the flying direction of each particle is based on its own historical best position and global optimum. This updating mechanism, however, easily falls into the local optimum, and the potential optimum solution may be ignored in the iteration and update process. Therefore, the BCLPSO is designed to facilitate discovering potential solution and avoid the problem of premature convergence. In the BCLPSO algorithm, the exemplar of the swarm is not the global best position but the particle location with the largest posterior probability based on the Bayesian formula. The posterior probability is developed by historical prior information. This means that the posterior probability can inherit the historical information of particles that may be exploited. In this way, the swarm diversity can be preserved to prevent premature convergence. The BCLPSO is experimentally validated on the CEC2017 benchmark functions and compared with other state-of-the-art particle swarm optimization algorithms. The results show that BCLPSO outperforms other comparative PSO variants on the CEC 2017 test suite. Furthermore, the algorithm is applied to the quality control process of an automated welding production line for the automobile body and is found to exhibit superior performance. Introduction: Particle swarm optimization (PSO) is a biological evolutionary algorithm, which originates from the study of birds or other social animals’ foraging behavior. The PSO is a stochastic optimization technique, which was proposed by Eberhart and Kennedy in [1] and [2], respectively. Different from other evolutionary algorithms (e.g., genetic algorithm), the PSO does not have operators, such as selection, replication, and mutation, but achieves population evolution through competition and cooperation among individuals [3]. Its mechanism is simple and can effectively explore global solutions to some difficult problems; hence, the PSO has become one of the most popular optimization methods that is successfully applied in many engineering fields involved in assignment [4], power systems [5], and biomedical image registration [6].

ترجمه این مقاله در 38 صفحه آماده شده و در ادامه نیز صفحه 29 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.