Triple Archives Particle Swarm Optimization

Es gibt zwei häufige Herausforderungen in der Forschung zur Partikelschwarmoptimierung (PSO), nämlich die Auswahl geeigneter Exemplare und die Gestaltung eines effizienten Lernmodells für ein Partikel. In diesem Artikel schlagen wir eine Triple Archives PSO (TAPSO) vor, bei der Partikel in drei Archiven verwendet werden, um die oben genannten Herausforderungen zu bewältigen. Zunächst werden Partikel mit besserer Fitness (d.h. Eliten) in einem Archiv aufgezeichnet, während andere Partikel, die schneller Fortschritte machen, in diesem Artikel als Profiteure bezeichnet, in einem anderen Archiv gespeichert werden. Zweitens wählen wir beim Züchten jeder Dimension eines potenziellen Exemplars für ein Partikel ein Paar aus Elite und Profiteur aus den entsprechenden Archiven aus, um den Dimensionwert mithilfe gewöhnlicher genetischer Operatoren zu erzeugen. Drittens führt jedes Partikel ein spezifisches Lernmodell entsprechend der Fitness seiner potenziellen Exemplare durch. Darüber hinaus gibt es keinen Beschleunigungskoeffizienten in TAPSO, um die Lernmodelle zu vereinfachen. Schließlich, wenn ein Exemplar eine hervorragende Leistung erbringt, wird es als herausragendes Exemplar angesehen und im dritten Archiv gespeichert, das von minderwertigen Partikeln wiederverwendet werden kann, um die Nutzung zu verbessern und Rechenressourcen zu sparen. Die experimentellen Ergebnisse und Vergleiche zwischen TAPSO und acht anderen PSOs über 30 Vergleichsparameter und vier realen Anwendungen deuten darauf hin, dass TAPSO in verschiedenen funktionalen Typen eine sehr vielversprechende Leistung erreicht, was sowohl zu einer höheren Lösungsgenauigkeit als auch zu einer schnelleren Konvergenzgeschwindigkeit beiträgt. Darüber hinaus werden die Effektivität und Effizienz dieser neu vorgeschlagenen Strategien basierend auf umfangreichen Experimenten diskutiert.