حل مسئله شناسایی پارامترهای مدولاسیون فرکانس امواج صوتي با استفاده از روش بهینه سازی ازدحام ذرات مخلوط شده اصلاح شده
مرتضی علی نیای آهندانی
1
(
گروه مهندسی برق ، دانشگاه آزاد اسلامی واحد لنگرود، لنگرود، ایران
)
سید حسین علوی راد
2
(
گروه مهندسی برق، واحد لنگرود، دانشگاه آزاد اسلامی، لنگرود، ایران
)
محمد خوشحال رودپشتی
3
(
گروه مهندسی برق، دانشگاه آزاد اسلامی واحد لنگرود، لنگرود، ایران
)
کلید واژه: بهینه سازی ازدحام ذرات مخلوط شده, گروه بندی, مدولاسیون فرکانس, شناسایی پارامتر, ضرایب وزنی اینرسی,
چکیده مقاله :
سنتز امواج صوتی مدوله شده با فرکانس نقش مهمی در سیستم های موسیقی مدرن برای بهینه سازی پارامتر یک ترکیب کننده مدولاسیون فرکانس دارد. این مقاله یک نسخه اصلاح شده از بهینه سازی ازدحام ذرات مخلوط شده را برای حل دو نسخه از مسئله شناسایی پارامترهای مدولاسیون فرکانس امواج صوتی پیشنهاد می کند: یعنی مدولاتور فرکانس تو در تو و مدولاتور فرکانس دوگانه. در الگوریتم پیشنهادی یک جمعیت به چندین گروه موازی تقسیم می‌شود و سپس هر گروه در یک فرآیند تکاملی با استفاده از بهینه‌سازی ازدحام ذرات بهبود می‌یابد. این تحقیق از یک سو روی مرحله گروه بندی تمرکز دارد. سه استراتژی گروه بندی مختلف به کار گرفته شده و با هم مقایسه می‌شوند. از طرف دیگر، روش جدیدی برای به روز رسانی ضرایب وزنی اینرسی ارائه و ارزیابی می‌گردد. روش گروه بندی استفاده شده، امکان یک کاوش مناسب در فضای جستجو را فراهم می‌کند و جستجوی محلی مستقل هر گروه منجر به یک بهره برداری عمیق می‌شود. همچنین ایده جدید پیشنهادی برای به روزرسانی ضریب وزنی اینرسی از رکود و همگرایی زودرس الگوریتم جلوگیری می‌کند. نتایج به‌دست‌آمده نشان می‌دهد که تقسیم‌بندی هندسی و روش جدید برای به‌روزرسانی ضریب وزن اینرسی منجر به عملکرد قابل‌توجه الگوریتم نسبت به سایر استراتژی‌های مقایسه شده می‌شود. همچنین مقایسه الگوریتم پیشنهادی با سایر الگوریتم های تکاملی گزارش شده در مراجع مختلف، عملکرد بهتر یا حداقل قابل مقایسه الگوریتم پیشنهادی این تحقیق را تایید می کند.
چکیده انگلیسی :
Frequency-Modulated (FM) sound wave synthesis has an important role in modern music systems to optimize the parameter of an FM synthesizer. This paper proposes a modified version of shuffled particle swarm optimization (SPSO) for solving two versions of the frequency modulation sound parameter identification (FMSPI) problem. i.e nested-modulator FM and double-modulator FM. In the SPSO a population is divided into several parallel groups and then each group is improved in an evolutionary process using a particle swarm optimization (PSO). This research on one side, focuses on partitioning stage of SPSO. Three different partitioning strategies are employed and compared together. On the other side, a new methodology to update inertia weigh factor of SPSO is presented and evaluated. A geometric partitioning provides a good exploration of search space and independent local search of each group leads to a deep exploitation. Also new proposed idea to update inertia weight factor prevents for stagnation and a premature convergence of algorithm. The obtained results demonstrate that the geometric partitioning and new method to update the inertia weight factor lead to a considerably better performance of algorithm than other compared strategies so that the SPSO using these strategies is very effective and robust. Also a comparison of the SPSO against other evolutionary algorithms reported in the literature confirms a better or at least comparable performance of our proposed algorithm.
[1] A. Alireza, "PSO with adaptive mutation and inertia weight and its application in parameter estimation of dynamic systems," Acta Automatica Sinica, vol. 37, no. 5, pp. 541-549, 2011.
[2] M. A. Ahandani, J. Abbasfam, and H. Kharrati, "Parameter identification of permanent magnet synchronous motors using quasi-opposition-based particle swarm optimization and hybrid chaotic particle swarm optimization algorithms," Applied Intelligence, vol. 52, no. 11, pp. 13082-13096, 2022.
[3] B. Pourasghar, M. A. Ahandani, and H. Kharrati, "Parameter identification of engineering problems using a differential shuffled complex evolution," Artificial Intelligence Review, vol. 53, no. 4, pp. 2749-2782, 2020.
[4] Y. Kharchouf, R. Herbazi, and A. Chahboun, "Parameter’s extraction of solar photovoltaic models using an improved differential evolution algorithm," Energy Conversion and Management, vol. 251, p. 114972, 2022.
[5] T. S. Ayyarao and P. P. Kumar, "Parameter estimation of solar PV models with a new proposed war strategy optimization algorithm," International Journal of Energy Research, vol. 46, no. 6, pp. 7215-7238, 2022.
[6] M. Alinia Ahandani and H. Kharrati, "Chaotic shuffled frog leaping algorithms for parameter identification of fractional-order chaotic systems," Journal of Experimental & Theoretical Artificial Intelligence, vol. 30, no. 5, pp. 561-581, 2018.
[7] K. Suriyan and R. Nagarajan, "Particle swarm optimization in biomedical technologies: innovations, challenges, and opportunities," Emerging technologies for health literacy and medical practice, pp. 220-238, 2024.
[8] L. Abualigah et al., "Particle swarm optimization algorithm: Review and applications," Metaheuristic optimization algorithms, pp. 1-14, 2024.
[9] Z. Zhang, J. Li, Z. Lei, Q. Zhu, J. Cheng, and S. Gao, "Reinforcement learning-based particle swarm optimization for wind farm layout problems," Energy, vol. 313, p. 134050, 2024.
[10] Y. Tang, K. Huang, Z. Tan, M. Fang, and H. Huang, "Multi-subswarm cooperative particle swarm optimization algorithm and its application," Information Sciences, vol. 677, p. 120887, 2024.
[11] M. A. Ahandan, H. Alavi-Rad, and N. Jafari, "Frequency modulation sound parameter identification using shuffled particle swarm optimization," International Journal of Applied Evolutionary Computation (IJAEC), vol. 4, no. 4, pp. 62-71, 2013.
[12] B. Schottstaedt, "The simulation of natural instrument tones using frequency modulation with a complex modulating wave," Computer Music Journal, pp. 46-50, 1977.
[13] Q. Duan, S. Sorooshian, and V. Gupta, "Effective and efficient global optimization for conceptual rainfall‐runoff models," Water resources research, vol. 28, no. 4, pp. 1015-1031, 1992.
[14] M. A. Ahandani, N. P. Shirjoposh, and R. Banimahd, "Three modified versions of differential evolution algorithm for continuous optimization," Soft Computing, vol. 15, pp. 803-830, 2010.
[15] A. O. Adewumi and A. M. Arasomwan, "Improved particle swarm optimizer with dynamically adjusted search space and velocity limits for global optimization," International Journal on Artificial Intelligence Tools, vol. 24, no. 05, p. 1550017, 2015.
[16] M. V. Baghmisheh, M. A. Ahandani, and M. Talebi, "Frequency modulation sound parameter identification using novel hybrid evolutionary algorithms," in 2008 International Symposium on Telecommunications, 2008: IEEE, pp. 67-72.
[17] S. Das, A. Abraham, U. K. Chakraborty, and A. Konar, "Differential evolution using a neighborhood-based mutation operator," IEEE transactions on evolutionary computation, vol. 13, no. 3, pp. 526-553, 2009.