شکل ۴-۱ ایده تغییر در مکان افراد در الگوریتم PSO را نشان داده و شکل ۲-۲ ایده جستجو در فضای جواب را نشان می دهد.

شکل ۴-۱: ایده تغییر در مکان افراد در الگوریتم PSO

شکل ۴-۲: ایده جستجو در فضای جواب

فلوچارت PSO به روش وزن های اینرسی را می توان به این صورت تشریح کرد:
مرحله ۱) تولید شرایط اولیه افراد. نقطه جستجوی اولیه ( ) و سرعت ( ) به صورت تصادفی در فضای جواب مجاز تولید میشوند.
برای هر فرد مکان فعلی اش به عنوان مکان فعلیاش به عنوان بهترین مکان در نظر گرفته می شود. بهترین مکان افراد به عنوان بهترین مکان گروه در نظر گرفته می شود. هم چنین شماره بهترین فرد ذخیره می شود.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

مرحله ۲) ارزیابی افراد. مقدار تابع هدف برای هر فرد محاسبه می شود. اگر این مقدار بهتر از بهترین برازش فرد تا به حال باشد، این مقدار به عنوان بهترین برازش فرد در نظر گرفته می شود.
اگر بهترین مکان افراد از بهترین مکان گروه تا به حال بهتر باشد آنگاه این مقدار به عنوان بهترین برازش گروه تا به حال در نظر گرفته می شود.
هم چنین شماره این فرد که بهترین مکان گروه را تصاحب کرده ذخیره می شود.
مرحله ۳) تغییر نقطه جستجوی هر فرد. مکان جستجوی هر فرد به وسیله معادلات [۳۲-۳۰] به روزرسانی میشود.
مرحله ۴) بررسی شرط خروج. اگر شماره تکرار به شماره تکرار بیشینه رسیده بود برنامه خاتمه یافته و در غیر این صورت یک واحد به شمارنده تکرار اضافه شده و به مرحله (۲) می رود.
شکل زیر فلوچارت کلی PSO رانشان می دهد.

شکل ۴-۳: فلوچارت کلی PSO

خصوصیات روش جستجوی PSO را می توان به صورت زیر خلاصه کرد:
الف- همان گونه که در معادلات (۴-۱) و (۴-۲) مشخص است PSO به صورت پایه برای حل مسائل پیوسته به کار می رود،
ب- PSO از نقاط جستجوی فراوانی بهره می برد و این نقاط آرام آرام به بهینه نزدیک می شود،
ج- روش PSO پایه در ابتدا برای حل مسائل در دو بعد تعیین شد. با این وجود به راحتی می توان روش PSO را برای حل مسائل چند بعدی گسترش داد.
شی^[۵۲] و ابرهارت مقادیر مختلفی را برای پارامترهای PSO بررسی کرده اند [۳, ۴]. بر این اساس مقادیر ۲ برای ضرایب وزن دار، ۹/۰ برای وزن اولیه و ۴/۰ برای وزن پایانی پیشنهاد داده شدهاند. بر اساس این بررسی این مقادیر به بعد مسأله وابسته نمی باشند. هم چنین این مقادیر برای مساأل بهینه سازی سیستم قدرت مناسب تشخیص داده شده اند [۳۵و۳۴].

۴-۴- PSO گسسته

PSO پایه برای حل مساأل بهینه سازی غیر خطی با متغیرهای پیوسته طراحی شده است. با این وجود، مسائل کاربردی در مهندسی مسائل بهینه سازی ترکیبی می باشند. کندی و ابرهارت نسخه خاصی از PSO را برای حل مسائل باینری گسسته طراحی کرده اند [۳۶]. در مدل ارائه شده تصمیم هر فرد برای آری یا نه به صورت زیر تعیین می شود.

پارامتر – یا جهت حرکت فرد – بر اساس یک آستانه، تصمیم فرد را تعیین می کند. هر چه قدر بیشتر باشد احتمال انتخاب ۱ بیشتر شده و هر چه قدر کمتر باشد احتمال انتخاب ۰ بیشتر می شود. بر این اساس آستانه تعیین شده باید در بازه [۰, ۱] باشد. یکی از توابعی که این قید را ارضا می کند تابع سیگموید می باشد که به صورت گسترده ای در شبکه عصبی به کار گرفته شده است:

مسیر حرکت هر فرد برای موفقیت هر فرد و کل گروه باید تنظیم گردد. برای انجام این کار مسیر حرکت بعدی ذره را می توان بر اساس اختلاف مکان فعلی ذره و بهترین مکانی که تا به حال به آن رسیده و اختلاف مکان ذره که گروه تا به حال به آن رسیده است تنظیم گردد. بر این اساس داریم: