بهبود الگوریتم جستجوی گرانشی (GSA) به کمک منطق فازی

محورهای موضوعی : سیستم های کنترل

امید مخلصی ¹ , سید حمید ظهیری ² , ناصر مهرشاد ³ , سید محمد رضوی ⁴

1 - کارشناس ارشد/موسسه آموزش عالی خراسان
2 - دانشیار/دانشگاه بیرجند
3 - استادیار/دانشگاه بیرجند
4 - استادیار/دانشگاه بیرجند

تاریخ دریافت : 1391/04/14 تاریخ پذیرش : 1392/02/14 تاریخ انتشار : 1392/03/11

کلید واژه: ضریب پراکندگی, کنترل‌کننده‌ی پارامتریک فازی, الگوریتم جستجوی گرانشی (GSA), مدل جمعیتی فازی,

چکیده مقاله :

کارایی روش‌های جستجو و بهینه‌سازی هوش جمعی، تمایل محققین را برای استفاده از آن‌ها در مسائل مختلف پیچیده مهندسی به صورت چشمگیری افزایش داده است. از جمله الگوریتم‌های مبتنی بر هوش جمعی، الگوریتم جستجوی گرانشی (GSA) است که با الهام از قوانین فیزیکی جاذبه گرانشی و حرکت نیوتنی، افراد جامعه را که در واقع جرم‌های تصادفی در فضا هستند را به جستجو در فضا وا می‌دارد. این مقاله به ارائه مدل جمعیتی جدیدی به نام GSA Population Fuzzy می‌پردازد که به اختصار آن را FPGSA می‌نامیم. روش پیشنهادی در واقع ترکیبی از دو کنترل‌کننده پارامتریک فازی و الگوریتم جستجوی گرانشی است که به جستجوی دقیق و منطقی فضا می‌پردازد. باید دانست در الگوریتم‌های هوش جمعی (و به تبع آن در روش GSA)، اندازه جمعیت عامل تاثیر‌گذاری بر پاسخ نهایی است به نحوی که با زیاد شدن این جمعیت پاسخ‌های بهتری حاصل شده و به تبع آن زمان اجرای الگوریتم طولانی‌تر می‌شود که برای رفع این مشکل پارامتری جدید به نام ضریب پراکندگی به الگوریتم افزوده‌ایم تا عملکرد بهتر سیستم را با کنترل این ضریب مورد ارزیابی قرار دهیم.

چکیده انگلیسی:

Researchers tendency to use different collective intelligence as the search methods to optimize complex engineering problems has increased because of the high performance of this algorithms. Gravitational search algorithm (GSA) is among these algorithms. This algorithm is inspired by Newton's laws of physics and gravitational attraction. Random masses are agents who have searched for the space. This paper presents a new Fuzzy Population GSA model called FPGSA. The proposed method is a combination of parametric fuzzy controller and gravitational search algorithm. The space being searched using this combined reasonable and accurate method. In the collective intelligence algorithms, population size influences the final answer so that for a large population, a better response is obtained but the algorithm execution time is longer. To overcome this problem, a new parameter called the dispersion coefficient is added to the algorithm. Implementation results show that by controlling this factor, system performance can be improved.