بهینه‌سازی ازدحام ذرات ۲۰۱۶
Particle Swarm Optimisation 2016

اگرچه الگوریتم بهینه‌سازی ازدحام ذرات (PSO) به پارامترهای نسبتاً کمی نیاز دارد و از نظر محاسباتی ساده و پیاده‌سازی آن آسان است، اما یک الگوریتم همگرا در سطح جهانی نیست. در کتاب “بهینه‌سازی ازدحام ذرات: دیدگاه‌های کلاسیک و کوانتومی”، نویسندگان مفهوم ذرات با رفتار کوانتومی را معرفی می‌کنند که الهام گرفته از مکانیک کوانتومی است و منجر به الگوریتم بهینه‌سازی ازدحام ذرات با رفتار کوانتومی (QPSO) می‌شود. این الگوریتم همگرا در سطح جهانی، پارامترهای کمتری دارد، سرعت همگرایی بالاتری دارد و قابلیت جستجوی قوی‌تری برای مسائل پیچیده ارائه می‌دهد.

این کتاب به ارائه مفاهیم مسائل بهینه‌سازی و همچنین روش‌های جستجوی تصادفی برای بهینه‌سازی می‌پردازد و سپس اصول الگوریتم PSO را مورد بحث قرار می‌دهد. مثال‌ها نشان می‌دهند که چگونه الگوریتم PSO مسائل بهینه‌سازی را حل می‌کند. نویسندگان همچنین دلایل موجود در پسِ کاستی‌های الگوریتم PSO را تجزیه و تحلیل می‌کنند.

نویسندگان با رفتن به سراغ الگوریتم QPSO، مروری کامل بر ادبیات QPSO ارائه می‌دهند، مدل اساسی برای الگوریتم QPSO را شرح می‌دهند و کاربردهای این الگوریتم را برای حل مسائل بهینه‌سازی معمول بررسی می‌کنند. آن‌ها همچنین برخی از مباحث نظری پیشرفته، از جمله رفتار ذرات منفرد، همگرایی جهانی، پیچیدگی محاسباتی، سرعت همگرایی و انتخاب پارامتر را مورد بحث قرار می‌دهند. متن کتاب با پوشش چندین کاربرد دنیای واقعی، از جمله مسائل معکوس، طراحی بهینه فیلترهای دیجیتال، مسائل توزیع اقتصادی، هم‌ترازی توالی‌های چندگانه بیولوژیکی و پردازش تصویر به پایان می‌رسد. کدهای منبع MATLAB®، Fortran و C++ برای الگوریتم‌های اصلی در یک منبع قابل دانلود همراه ارائه شده است.

این کتاب با کمک به شما در حل عددی مسائل بهینه‌سازی، بر اصول و کاربردهای اساسی الگوریتم‌های PSO و QPSO تمرکز دارد. این کتاب نه تنها نحوه استفاده از الگوریتم‌ها را توضیح می‌دهد، بلکه مباحث پیشرفته‌ای را نیز پوشش می‌دهد که پایه‌ای برای درک ایجاد می‌کنند.

Although the particle swarm optimisation (PSO) algorithm requires relatively few parameters and is computationally simple and easy to implement, it is not a globally convergent algorithm. In Particle Swarm Optimisation: Classical and Quantum Perspectives, the authors introduce their concept of quantum-behaved particles inspired by quantum mechanics, which leads to the quantum-behaved particle swarm optimisation (QPSO) algorithm. This globally convergent algorithm has fewer parameters, a faster convergence rate, and stronger searchability for complex problems.

The book presents the concepts of optimisation problems as well as random search methods for optimisation before discussing the principles of the PSO algorithm. Examples illustrate how the PSO algorithm solves optimisation problems. The authors also analyse the reasons behind the shortcomings of the PSO algorithm.

Moving on to the QPSO algorithm, the authors give a thorough overview of the literature on QPSO, describe the fundamental model for the QPSO algorithm, and explore applications of the algorithm to solve typical optimisation problems. They also discuss some advanced theoretical topics, including the behaviour of individual particles, global convergence, computational complexity, convergence rate, and parameter selection. The text closes with coverage of several real-world applications, including inverse problems, optimal design of digital filters, economic dispatch problems, biological multiple sequence alignment, and image processing. MATLAB®, Fortran, and C++ source codes for the main algorithms are provided on an accompanying downloadable resources.

Helping you numerically solve optimisation problems, this book focuses on the fundamental principles and applications of PSO and QPSO algorithms. It not only explains how to use the algorithms, but also covers advanced topics that establish the groundwork for understanding.