วิธีค้นหาค่าเหมาะที่สุดด้วยการใช้กรรมวิธีค้นหาที่เหมาะสมในไฮเปอร์คิวบ์ที่ปรับได้
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้เสนอ 2 วิธีค้นหาค่าเหมาะที่สุดวัตถุประสงค์เดียวที่ไม่มีเงื่อนไขบังคับ โดยการสร้างบริเวณค้นหาที่เรียกว่าไฮเปอร์คิวบ์ ซึ่งตำแหน่งและขอบเขตแปรตามค่าฟังก์ชันวัตถุประสงค์ การค้นหาในไฮเปอร์คิวบ์จะเลือกใช้ขั้นตอนวิธีค้นหาเชิงสำรวจหรือขั้นตอนวิธีค้นหาแบบกลุ่มอนุภาคที่ค่าสัมประสิทธิ์ปรับได้ (Adaptive Coefficient Particle Swarm Optimizer: ACPSO) โดยพิจารณาจากผลการค้นหาที่ผ่านมาดีขึ้นหรือไม่ สมรรถนะของวิธีค้นหาจะถูกทดสอบด้วยฟังก์ชันเทียบเคียงจำนวน 7 ฟังก์ชันที่จำนวน 10, 15 และ 20 มิติ วิธีค้นหาที่เสนอทั้งสองสามารถหาคำตอบได้ถึง 5 ฟังก์ชัน โดยสามารถค้นหาค่าที่ใกล้คำตอบของฟังก์ชัน Rosenbrock ซึ่งวิธีค้นหาส่วนใหญ่ติดกับดักการค้นหา วิธีค้นหาที่เสนอยังคงสมรรถนะดีเช่นเดิมแม้จำนวนมิติของฟังก์ชันมากขึ้น
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
References
R. C. Eberhart and J. Kennedy, “A new optimizer using particle swarm theory,” In Proc. The Sixth International Symposium on Micro Machine and Human Science, 1995, pp. 39-43.
J. J. Liang, A. K. Qin, P. N. Suganthan and S. Baskar, “Comprehensive learning particle swarm optimizer for global optimization of multimodal functions," in IEEE Transactions on Evolutionary Computation, vol. 10, no. 3, June., pp. 281-295, 2006.
Q. Wu. Et al., “A modified comprehensive learning particle swarm optimizer and its application in cylindricity error evaluation problem,” Journal of Mathematical Biosciences and Engineering, vol. 16, no. 3, Feb., pp. 1190–1209, 2019.
M. Tunay, “Evolutionary search algorithm based on hypercube optimization for high-dimension functions,” International Journal of Computational and Experimental Science and Engineering, vol. 6, no. 1, Mar., pp. 42 - 62, 2020.
M. Tunay and R. Abiyev, “Improve hypercube optimisation search algorithm for optimisation of high dimensional functions,” Mathematical Problems in Engineering, 22, Apr., 2022. [Online serial]. doi.org/10.1155/2022/6872162.
Y. Shi and R. C. Eberhart, “A modified particle swarm optimizer,” in 1998 Proc. IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence (Cat. No.98TH8360), 1998, pp. 69-73.
Y. S. Kushwah and R. K. Shrivastava, “Particle swarm optimization with dynamic inertia weights,” International Journal of Research and Scientific Innovation, 25, July, 2017. [Online serial]. Available: https://rsisinternational.org/IJRSI/Issue44/129-135.pdf [Accessed July 25 2017].
W. Liu et al., “A novel sigmoid-function-based adaptive weights particle swarm optimizer,” in IEEE Transactions on Cybernetics, vol. 51, no. 2, Feb., pp. 1085-1093, 2021.
R. Akbari and K. Ziarati, “A rank based particle swarm optimization algorithm with dynamic adaptation,” Journal of Computational and Applied Mathematics, vol. 235, no.8, Aug., pp. 2694–2714, 2011.
V. Plevris and G. Solorzano, “A collection of 30 multidimensional functions for global optimization benchmarking,” Data, 11, Apr. 2022. [Online]. doi.org/10.3390/data7040046.