翻訳 の履歴(No.1)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 翻訳 へ行く。
  • 1 (2024-10-15 (火) 14:20:14)

柴原?

Continuous Swarm Optimization Technique with

Stability Analysis

最適化アルゴリズムを紹介する。まず、古典的なPSOの表記法を紹介する、

次に新しいPSOを紹介する。提案するPSOには2つの形式があり、1つはリアプノフ

安定であることが証明され、もう一つは漸近的に安定であることが証明される。
漸近安定であることが証明できる。新しいPSOのパラメータの
を調べた。適切なシミュレーション結果を提供する。

I. Introduction

決定論的手法は、数十年にわたりオプティマイゼーションの分野を支配してきた。決定論的手法では大域的極小値を見つけることができず、その複雑さが確率的・発見的アルゴリズムの動機となった。ほとんどの

ヒューリスティック・アルゴリズムの大半は、シミュレーテッド・アニーリングのような自然シミュレーション・アニーリングのような自然な最適化プロセスのモデリングに基づいている、これらのアルゴリズムは、モデル化された自然過程に応じて特定の行動挙動を持つ個体群に基づいている。

最初の発見的アルゴリズムのうち、ランダム探索
(RS)は、探索空間における個体のランダムなテスト移動に基づく単純な手法である[1]。
に基づく単純な手法である [1]。
個体は、新しい位置のコスト関数がより良ければ、実際に新しい位置に移動する。
新しい位置のコスト関数がより良い場合、個体は実際に新しい位置に移動する。遺伝学と遺伝学的アルゴリズム（genetics algorithm）と記憶論的アルゴリズム（memetics algorithms）は、より最近の例である。遺伝的アルゴリズム(GA)は、その名の通り、自然の遺伝的進化をモデル化したものである。GAは１つの個体（親）の間でコード化された情報（遺伝子）の文字列の一部を交換することに基づいている。
ミメティックス・アルゴリズムのモデルグループ間のアイデアの交換

近年、粒子群最適化 (PSO)という概念が提案された。これは動物 集団（魚の群れ、鳥の群れ、昆虫の群れ)。
集団のメンバーは、探索中に見つけた最良の位置に関する情報
集団の成員は、餌を探すときに見つけた最良の位置に関する情報を共有する
を共有することが知られている。従って、PSOモデルは個体的経験と社会的経験の両方を探索に組み込んでいる。を組み込んだモデルである。PSOは
は、特に電力システム[4電力システム・アプリケーション[4]や電磁
場計算[5]に応用されている。基本的なPSOを修正することができる[6]。パラメータがPSOに与える影響は[7]で研究されている。システムの観点からは、標準的なPSOアルゴリズムは離散的である。であり、粒子運動は時間ステップごとに更新される。