Particle swarm and ant colony algorithms hybridized for improved continuous optimization

Abstract

This paper proposes PSACO (particle swarm ant colony optimization) algorithm for highly non-convex optimization problems. Both particle swarm optimization (PSO) and ant colony optimization (ACO) are co-operative, population-based global search swarm intelligence metaheuristics. PSO is inspired by social behavior of bird flocking or fish schooling, while ACO imitates foraging behavior of real life ants. In this study, we explore a simple pheromone-guided mechanism to improve the performance of PSO method for optimization of multimodal continuous functions. The proposed PSACO algorithm is tested on several benchmark functions from the usual literature. Numerical results comparisons with different metaheuristics demonstrate the effectiveness and efficiency of the proposed PSACO method.

دانلود رایگان مقاله انگلیسی                      394.25 KB

چکیده:

در این مقاله الگوریتم PSACO (بهینه سازی کلونی مورچه ازدحام ذرات) برای مشکلات بهینه سازی غیر محدب ارائه می¬شود. هر دو روش بهینه سازی کلونی مورچه و بهینه سازی کلونی ذرات،  متاهیورستیک های هوش دسته جمعی جستجوی مبتنی بر جمعیت مشارکتی هستند. PSO از رفتار دسته جمعی دسته پرندگان و یا گروه ماهی ها الهام گرفته شده است. در حالی که الگوریتم مورچه رفتار واقعی مورچه ها را تقلید می¬کند. در این مقاله، یک مکانیزم ساده راهنمایی با استفاده از فورومون برای بهبود کارایی روش PSO برای بهینه سازی توابع پیوسته چند وجهی ارائه می¬شود. روش PSACO پیشنهاد شده در بسیاری از توابع الگو تست شده است. نتایج عددی در مقایسه با متاهیورستیک های مختلف، کارایی  روش PSACO پیشنهادی را نشان می دهد.

 تعداد صفحات مقاله انگلیسی:   14  صفحه

 تعداد صفحات فارسی مقاله ترجمه شده :   23  صفحه

 قالب بندی فایل: فایل ورد (Word)