بهره‏مندي از حافظه:

الگوريتم بهينه‏سازي ازدحام ذرات PSO داراي حافظه است به گونه‏اي که دانش راه‏حل‏هاي خوب توسط همه ي ذرات حفظ مي‏شود. به عبارتي در الگوريتم بهينه‏سازي ازدحام ذرات هر ذره از اطلاعات گذشته خود سود مي‏برد، در حاليکه چنين رفتار و خصيصه‏اي در ساير الگوريتم‏هاي تکاملي وجود ندارد، به عنوان مثال در الگوريتم ژنتيک چنين حافظه‏اي وجود ندارد و دانش قبلي مسئله يکباره با تغيير جمعيت از بين مي‏رود.

همکاري و اشتراک گذاري اطلاعات بين ذرات:

در الگوريتم بهينه‏ سازي ازدحام ذرات PSO هر عضو جامعه موقعيت خود را باتوجه به تجربيات شخصي و تجربيات کل جامعه تغيير مي‏دهد.اشتراک اجتماعي اطلاعات بين اعضاي يک جامعه يکسري مزيت‏هاي تکاملي را در پي دارد و اين فرضيه پايه و اساس الگوريتم بهينه‏سازي ازدحام ذرات و توسعه آن محسوب مي‏شود و در نتيجه همکاري سودمند بين ذرات وجود دارد و ذرات در گروه، اطلاعاتشان را با همديگر به اشتراک مي‏گذارند.

سرعت همگرايي بالا :

در الگوريتم بهينه سازي ازدحام ذرات، اعضاي جمعيت با هم ارتباط دارند و از طريق تبادل اطلاعات، به حل مسئله مي‏رسند از سرعت همگرايي بالايي برخوردار مي باشد. حرکت جمعي ذرات يک تکنيک بهينه‏سازي است که هر يک از ذرات سعي مي‏کنند به سمتي حرکت کنند که بهترين تجريه‏هاي شخصي و گروهي در آن نقاط روي داده است.

انعطاف پذيري بهتر در برابر مشکل بهينه محلي:

الگوريتم بهينه‏سازي ازدحام ذرات نسبت به استراتژي‏هاي بهينه‏سازي ديگر با بهره‏گيري از تعداد فراوان ذرات ازدحام کننده در برابر مشکل بهينه محلي انعطاف بيشتري نشان مي دهد.

راحتي پياده‎سازي و اجرا:

الگوريتم بهينه‏سازي ازدحام ذرات از الگوريتم‏هاي ژنتيک و بهينه‏سازي کلوني مورچه ساده‏تر مي‏باشد.همچنين اندازه جمعيت الگوريتم بهينه‏سازي ازدحام ذرات کمتر از الگوريتم ژنتيک مي‏باشد بنابراين مقداردهي اوليه جمعيت در بکارگيري اين الگوريتم، ساده‏تر از ساير الگوريتم‏هاي بهينه‏سازي هوشمند است. الگوريتم بهينه‏سازي ازدحام ذرات به آساني قابل اجراست و در حل بسياري از مسائل بهينه‏سازي گسسته و غير خطي پيوسته مورد استفاده قرار گرفته است. نکته جالب اينکه اين الگوريتم فقط عملگرهاي اصلي رياضي را بکار مي‏برد و نتايج خوبي را درمحيط‏هاي ثابت، نويزي و پيوسته در حال تغيير و ديناميک فراهم مي‏کند. به علت وجود مزايايي همچون مفهوم ساده، پياده‏سازي آسان و همگرايي سريع نسبت به ساير الگوريتم‏هاي بهينه‏سازي، امروزه الگوريتم بهينه‏سازي ازدحام ذرات توجه زيادي را به خود جلب کرده است و کاربردهاي وسيعي در زمينه‏هاي مختلف دارد.

علاوه برمزاياي و ويژگي‏هايي که الگوريتم بهينه ‏سازي ازدحام ذرات دارد، اين الگوريتم داراي يکسري محدوديت‏ها و معايب مي‏باشد که بر کارايي عملکرد اين الگوريتم موثر است .

همگرايي زودرس :

عمده ‏ترين مسئله الگوريتم بهينه‏سازي ازدحام ذرات همگرايي زودرس مي باشد. در اين الگوريتم ذرات به تدريج در فضاي جستجو در نزديکي بهترين نقطه بهينه عمومي سير مي‏کنند و بقيه فضا را مورد کاوش قرار نمي‏دهند، و به عبارتي ذرات همگرا مي‏گردند. چرا که سرعت ذرات با افزايش تکرار کاهش مي‏يابد و بنابراين الگوريتم مجبور مي‏باشد به بهترين موقعيتي که تاکنون کشف کرده، همگرا شود و تضميني نيست که بهترين راه حل سراسري باشد. اين مسئله حاصل مکانيزم نامناسب تعادل ميان جستجوي سراسري و محلي مي‏باشد. درالگوريتم بهينه‏سازي ازدحام ذرات ، در تکرارهاي اول جستجوي سراسري ، ترجيح داده مي‏شود و به بهبود عملکرد کمک مي‏کند و در تکرارهاي آخر، جستجوي سراسري کاهش، و جهت بهره‏گيري بيشينه از اطلاعات به دست آمده جستجوي محلي ترجيح داده مي‏شود.

گرفتار شدن دربهينه محلي :

در طول فرايند جستجو ممکن است برخي ذرات در جمعيت در بهينه محلي گرفتار شوند و دراکتشافات بعدي شرکت ننمايند. اين مسئله در بهينه‏سازي توابع مولتي با ابعاد بالا کاملا رايج است. ذرات گيرافتاده در بهينه محلي موجب همگرايي زودرس و راه‏حل ضعيف مي‏شوند.

کاهش تنوع جمعيت:

در الگوريتم بهينه‏ سازي ازدحام ذرات پس ازمقداردهي اوليه به ذرات، ذرات در جمعيت معمولا در کل تکرار پي‏درپي فرايند جستجو به بهينه‏ محلي ياسراسري در فضاي جستجو همگرا مي‏شوند و ذرات جمعيت تحت تاثيرپذيري و تبعيت از بهترين ذره کشف شده در کل جمعيت اطراف آن ذره جمع مي‏شوند و يا به عبارتي منقبض مي‏گردند، در نتيجه در الگوريتم بهينه‏سازي ازدحام ذرات تنوع جمعيت به مرور زمان کاهش مي‏يابد. با اين شرايط براي محيط‏هايي همچون پويا که در آن با محيط ديناميک روبرو هستيم و امکان تغيير بهينه سراسري وجود دارد، ديگر ذرات همگرا شده از توانايي جستجوي سراسري مناسبي جهت دنبال کردن بهينه برخوردار نخواهند بود.

فلوچارت الگوریتم بهينه ‏سازي ازدحام ذرات :

کد متلب و فیلم آموزشی الگوريتم بهينه ‏سازي ازدحام ذرات

کدهای اماده الگوریتم بهينه ‏سازي ازدحام ذرات به همراه یک فیلم آموزشی فارسی از این الگوریتم توسط گروه ایران متلب آماده شده است که شما می‌توانید تقاضای این کد و فیلم آموزش فارسی را از برای ما ارسال کنید.

بعد از واریز هزینه کدها آماده متلب MATLAB ، الگوریتم بهينه ‏سازي ازدحام ذرات به همراه یک فیلم آموزشی فارسی برای شما ارسال و می‌توانید آنها را دانلود کنید و در پروژه یا پایان نامه خود استفاده کنید.

نوشته مزايا و ويژگي‏هاي الگوريتم بهينه ‏سازي ازدحام ذرات اولین بار در ايران متلب. پدیدار شد.

ANFIS(adaptive network-based fuzzy inference system) شبکه تطبيق پذير و قابل آموزشی است که به لحاظ عملکرد کاملا مشابه سيستم استنتاج فازی است.

برای سادگی کار فرض می کنيم که سيستم فازی ما دو ورودی x و y دارد و خروجی آن z است. حال اگر قوانين به صورت زير باشند :

و اگر برای غير فازی ساز از غير فازی ساز ميانگين مراکز استفاده کنيم خروجی به صورت زير خواهد بود:

ساختار معادل ANFIS به صورت زير خواهد بود:

لايه 1: در اين لايه ورودي ها از توابع عضويت عبور(membership functions) می کنند.

توابع عضويت هر تابع پارامتری مناسبی می تواند باشد که در اکثر موارد توابع گاوسين انتخاب می شوند. مثل تابع زنگی شکل عمومی:

که  aو b وc مجموعه پارامترها هستند. پارامتر های اين لايه به پارامتر های اوليه       (premise parameters) معروف هستند.

لايه 2: خروجی اين لايه ضرب سيگنال های ورودی است که در واقع معادل قسمت اگر قوانين هستند.

لايه 3: خروجی اين لايه نرماليزه شده لايه قبلی است:

لايه 4:

لايه 5: خروجی اين لايه خروجی کلی سيستم است:

اکنون يک شبکه توليد شده است که معادل سيستم استنتاج فازی سوگنو است.

حال قرار است روش های آموزش چنين شبکه ای بررسی شود.

برای اين کار ابتدا در لايه 1 تمام قوانين موجود را تشکيل می دهيم.به طور مثال اگر 2 ورودی داشته باشيم که هر کدام 3 تابع عضويت داشته باشد 9 قانون بايد تشکيل دهيم.

که به صورت زير خواهد بود.

روشهای مختلف آموزش ANFIS

1-  Gradient Descent

2- ترکيبی (hybrid)

3- Levenberg-Marquardt

روش ترکيبی(hybrid)

در اين روش از ترکيب روش گراديان نزولی و حداقل مربعات خطا (LSE) استفاده می شود.

روش ديگری نيز برای محاسبه پارامتر ها وجود دارد که يک روش بازگشتی است (RLSE) اين روش به دو دليل به وجود آمده است.

1-   گاهی ممکن است که ماتريس  معکوس پذيز نباشد.

2-   فرض کنيد  را حساب کرده ايم اگر يک جفت داده ورودی خروجی جديد به سيسیتم اضافه شود در روش قبل دوباره بايد کل پارامتر ها محاسبه شوند ولی در اين روش فقط مقدار پارامتر جديد به دست می آيد.

طريقه آموزش ANFIS با روش ترکيبی

در هر تکرار feedforward  می رويم تا وقتی که ماتريس A که در روش LSE گفته شد به دست آيد. خروجی ها را هم که داريم . سپس توسط روش ترکيبی پارامتر ها را به دست می آوريم. لازم به ذکر است که همه داده های آموزشي بايد اعمال شوند و همجنين پارامتر های اوليه(premise patameters)  ثابت نگه داشته می شوند. سپس پارامترهای تالی (conclusion parameters) ثابت نگه داشته می شوند و پارامترهای اوليه توسط گراديان نزولی تنظيم می شوند.

دانلود فایل کامل

محصولات مرتبط

نوشته سيستم های فازی بررسی روشهای مختلف آموزش ANFIS اولین بار در ايران متلب. پدیدار شد.