Optimisation par essaim de particules avec séquence de probabilité pour l'optimisation globale

L'optimisation par essaim de particules (PSO) a été fréquemment utilisée pour résoudre des problèmes d'optimisation diversifiés. Le choix de la position initiale de la population joue un rôle important dans les méthodes méta-heuristiques, car elles peuvent converger de manière significative. Dans cette étude, une distribution de probabilité a été introduite pour améliorer la diversité de l'essaim et la vitesse de convergence. La méthode d'initialisation de la population basée sur une distribution uniforme est normalement utilisée lorsqu'il n'y a pas de connaissances préalables disponibles concernant la solution candidate. Dans cet article, une nouvelle approche pour initialiser la population est proposée en utilisant une séquence de probabilité Weibull marquée comme (WI-PSO) qui applique la distribution de probabilité pour générer des nombres à des emplacements aléatoires pour l'initialisation de l'essaim. La méthode proposée (WI-PSO) est testée sur seize fonctions de test de référence uni-modales et multi-modales bien connues, largement adoptées par la communauté de recherche, et ses performances encourageantes sont étudiées et comparées avec l'optimisation par essaim de particules basée sur la distribution exponentielle (E-PSO), l'optimisation par essaim de particules basée sur la distribution beta (BT-PSO), l'optimisation par essaim de particules basée sur la distribution gamma (GA-PSO) et l'optimisation par essaim de particules basée sur la distribution log-normale (LN-PSO). Les réseaux de neurones artificiels (ANN) sont devenus l'outil le plus puissant pour la classification de problèmes de référence complexes. Nous avons expérimenté la méthode proposée (WI-PSO) pour l'optimisation des poids d'un réseau de neurones à propagation avant afin d'assurer sa pureté et avons comparé avec l'algorithme de rétropropagation conventionnel (BPA), E-PSO, BT-PSO, GA-PSO et LN-PSO. En raison du comportement flexible en termes de degré de liberté, les résultats expérimentaux indiquent la perfection et la domination de l'initialisation de population basée sur Weibull. Le résultat montre l'anticipation de l'influence exercée par la technique proposée sur les seize fonctions objectives et huit ensembles de données de référence du monde réel.