فهرست مطالب :

فصل اول

مقدمه

فصل دوم:

۲-۱ الگوریتم pso

۲-۲ بهبود دهنده ی حرکت گروهی ذرات بر اساس یک بردار موازی

۲-۲-۱بهینه سازی حرکت گروهی ذرات

۲-۲-۲حدمطلوب جایگیری های چندگانه

۲-۲-۳۴ A بردار بر اساسPso

۲-۲-۴ A5 بردار موازی Pso

۲-۲-۵ نتایج آزمایشگاهی

۲-۲-۶ نتیجه

فصل سوم:

۳-۱ اسناد جمع آوری شده در مورد الگوریتم ابزار و هیبرید PSO + K

۳-۱-۱ توضیحات

۳-۱-۲ بحث

۳-۱-۳نتیجه

۳-۲ یک الگوریتم PSo / ACo هیبریدی برای طبقه بندی

۳-۲-۱ طبقه بندی

۳-۲-۲ الگوریتم شناخته شده ی PSo / ACo

۳-۲-۳ شیوه پوشش متوالی ۲PSo / ACo

۳-۲-۴ الگوریتم ۲PSo / ACo

۳-۲-۵ الگوریتم هیبریدی۲PSo / ACo

۳-۲-۶ مقایسه های کیفیت

۳-۲-۷ بحث و نتایج

فصل چهارم: الگوریتم دو رگه تکثیر برگشتی بهینه سازی حرکت اجزا برای آموزش تقویت شبکه عصبی

۴-۱ بهینه سازی تطابقی حرکت اجزا

۴-۲ الگوریتم دورگهPso-Bp و آموزش تقویت شبکه عصبی

۴-۲-۱ الگوریتم Pso-Bp

۴-۲-۲ فرآیند الگوریتم PSo-Bp

۴-۲-۳ الگوریتم PSo-Bpبرای آموزش تقویت شبکه عصبی

۴-۳ نتایج و شرح آزمایشات

فصل پنجم:

۵-۱ روش بهینه سازی حرکت اجزا برای دسته بندی تصاویر

۵-۱-۱ بهینه سازی حرکت اجزا

۵-۱-۲ دسته بندی تصاویر

۵-۱-۳ Gbest Psoدربرابر ابزار k

۵-۱-۴ Gbest Psoدربرابر Gcpso

۵-۱-۵ تاثیر پارامترهای Pso

۵-۱-۶ نتیجه گیری

۵-۲ الگوریتم (محاسبه ) کمیت یک تصویر رنگی بر اساس بهینه سازی حرکت اجزا

۵-۲-۱ بهینه سازی حرکت اجزا

۵-۲-۲ الگوریتم کمیت تصویر رنگی pso محورpso-ciq

۵-۲-۳ تاثیرپارامترهای pso-ciq

۵-۲-۴ تعداد تکرارهای ابزار k

۵-۲-۵ مقایسه gbest–Lbest-PSOو Lbest –to- gbest

۵-۲-۶ نتیجه گیری

نتیجه گیری کلی

فهرست منابع

چکیده :

در این تحقیق روش دسته بندی یک تصویر بر اساس بهینه کردن حرکت اجزا مورد بررسی قرار گرفته است (pso ) . الگوریتم مراکز ویژه کاربر ،تعدادی از دسته هارا پیدا می کندو یابه عبارت دیگر الگوریتم های دسته بندی تجزیه ای از مجموعه اطلاعات را به تعداد مشخصی از طبقات تقسیم می کنند . این الگوریتم ها تلاش می کنند معیار ثابت را به حداقل برسانندشیوه جمع آوری تصویر بر اساس بهینه سازی گروهی ذرات (PSO) عمل می کند. این الگوریتم شمار ویژه ای از مجموعه ها را پیدا می کند که هر گروه با هم تصاویر مشابه دارنددراین مقاله ما نوعی ذره هیبریدی و بهینه سازی گروهی از آنها را بر اساس بهینه سازی جمعی (PSo / ACo ) معرفی می کنیم . برخلاف الگوریتم pso الگوریتم هیبریدی می تواند مستقیماً و بودن توجه به تعداد در مرحله پردازش قبلی اعمال کند . طرح این الگوریتم هیبریدی با کوچک سازی داده ها فعال می شود .در به هر یک از ذرات بهترین حالت اضافه شده و بهترین مجاور هم برای مؤلفه یادگیری تصادف به دست آمده در استاندارد و الگوریتم هیبریدی تا حد زیادی
جدا شده اند زیرا آنها تا حد زیادی در زمان و رسیدن به نقطه اوج هماهنگی با هم تفاوت دارندPSo / ACo را برای کشف قوانین طبقه بندی در بستر داد ه ها معرفی می کنیم . برخلاف الگوریتم pso این الگوریتم هیبریدی می تواند مستقیماً ، نه تنها به صورت ادامه دار بلکه به صورت شمارشی و بدون قوانین مربوطه ، وارد مرحله پردازش شود .

واژگان کلیدی : الگوریتم PSO، بهینه سازی PSO،کاربردهای الگوریتم PSO، الگوریتم هیبریدی PSO/ACO

الگوریتم pso:
فرض کنید شما و گروهی از دوستانتان به دنبال گنج می‌گردید. هر یک از اعضای گروه یک فلزیاب و یک بی‌سیم دارد که می‌تواند مکان و وضعیت کار خود را به همسایگان نزدیک خود اطلاع بدهد. آیا همسایگانتان از شما به گنج نزدیکترند یا نه؟ پس اگر همسایه‌ای به گنج نزدیکتر بود شما می‌توانید به طرف او حرکت کنید. با چنین کاری شانس شما برای رسیدن به گنج بیشتر می‌شود و همچنین گنج زودتر از زمانی که شما تنها باشید، پیدا می‌شود.
این یک مثال ساده از رفتار جمعی یا Swarm behavior است که افراد برای رسیدن به یک هدف نهایی همکاری می‌کنند. این روش مؤثرتر از زمانی است که افراد جداگانه عمل کنند. Swarm را می‌توان به صورت مجموعه‌ای سازمان یافته از موجوداتی تعریف کرد که با یکدیگر همکاری می‌کنند. در کاربردهای محاسباتی Swarm intelligence از موجوداتی مانند مورچه‌ها، زنبورها، موریانه‌ها، دسته‌های ماهیان و دسته‌ی پرندگان الگو برداری می‌شود. در این نوع اجتماعات هر یک از موجودات ساختار نستباً ساده‌ای دارند ولی رفتار جمعی آنها بی‌نهایت پیچیده است. برای مثال در کولونی مورچه‌ها هر یک از مورچه‌ها یک کار ساده‌ی مخصوص را انجام می‌دهد ولی به طور جمعی عمل و رفتار مورچه‌ها، ساختن بهینه‌ی لایه، محافظت ازملکه و نوزادان، تمیز کردن لانه، یافتن بهترین منابع غذایی و بهینه‌سازی استراتژی حمله را تضمین می‌کند. رفتار کلی، یک Swarm به صورت غیر خطی از آمیزش رفتارهای تک‌تک اجتماع بدست می‌آید. یا به عبارتی یک رابطه‌ی بسیار پیچیده بین رفتار جمعی و رفتار فردی یک اجتماع وجود دارد. رفتار جمعی فقط وابسته به رفتار فردی افراد اجتماع نیست بلکه به چگونگی تعامل میان افراد نیز وابسته است. تعامل بین افراد، تجربه‌ی افراد درباره‌ی محیط را افزایش می‌دهد و موجب پیشرفت اجتماع می‌شود. ساختار اجتماعی Swarm بین افراد، مجموعه کانالهای ارتباطی ایجاد می‌کند که طی آن افراد می‌توانند به تبادل تجربه‌های شخصی بپردازند، مدل‌سازی محاسباتی Swarmها کاربردهای موفق و بسیاری را در پی داشته است مانند:

Function optimization, Finding optimal roots, scheduling, structural optimization, Image and data analysis

کاربردهای زیادی از مطالعه‌ی Swarmهای مختلف وجود دارد. از این دسته می‌توان به کولونی مورچه‌ها (Ant Colony) و دسته‌ی پرندگان (Bird Flocks) اشاره نمود.
ما در زیر خلاصه ای از تمام فصلها ارائه می دهیم.
فصل دوم:ما توضیحی راجع به الگوریتم pso و اساس کار آن که بر این اصل استوار است که در هر لحظه هر particle مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.
فصل سوم:
قسمت اول: مطالعات نشان داده اند که الگوریتم های جمع شده ی سهمی برای جمع آوری پایگاه های اطلاعاتی بزرگ مناسب اند . الگوریتم K معمولترین الگوریتمی است که به کار می رودزیرا می تواند به راحتی تکمیل شود و بر اساس زمان اجرا نیز مفید است .
مشکل اصلی این الگوریتم ، حساسیتش در انتخاب سهم اولیه در اطلاعات است . در این مقاله ما PSO را به همراه الگوریتم K شرح می دهیم که جمع آوری اطلاعات بالا و سریعتر دارند .در مقیاسه ها ما از الگوریتم PSO + K و دو نوع هیبرید دیگر در پایگاه داده های متنی استفاده می کنیم .
قسمت دوم:برخلاف الگوریتم pso ، این الگوریتم هیبریدی(PSo / ACo) می تواند مستقیماً و بدون توجه به تعداد، در مرحله پردازش قبلی عمل کند . طرح این الگوریتم هیبریدی با کوچک سازی داد ها فعال می شود . در این مقاله ما تعریف متعددی را برای الگوریتم PSo / ACo ارائه می کنیم . ما گونۀ جدیدی از الگوریتم PSo / ACo را در ۶ حوزه عمومی و پایگاه داده ای ارزیابی کرده ایم . PSo / ACo با دو قانون تابع های کیفی سنجیده می شوند ما نشان می دهیم که انتخاب سنجش کیفیت تا حد زیادی عملکرد نهایی را تحت تاثیر قرار می دهد . به علاوه نتیجه نشان می دهند که PSo / ACo با توجه به دو الگوریتم شناخته شده شدیداً تحت رقابت هستند.
فصل چهارم: الگوریتم بهینه سازی حرکت اجزا ، برای همگرایی سریع در طول مراحل اولیه از جستجو جهانی نشان داده شد، اما در اطراف بهینه جهانی فرآیند جستجو بسیار کند شد . در عوض روش کاهش شیب می تواند با سرعت بیشتر همگرایی به بهینه جهانی برسد و به طور همزمان دقت همگرایی می تواندبیشتر شود . بنابراین در این تحقیق یک الگوریتم دو رگه که ترکیبی از الگوریتم بهینه سازی حرکت ذرات (PSO ) ، با الگوریتم تکثیر (BP ) است و همچنین به الگوریتم PSO-BP اشاره دارد ، پیشنهاد شده است.
فصل پنجم:
قسمت اول: در این تحقیق روش دسته بندی یک تصویر بر اساس بهینه کردن حرکت اجزا مورد بررسی قرار گرفته است (pso ) . الگوریتم مراکز ویژه کاربر ،تعدادی از دسته هارا پیدا می کند هنگامیکه هر دسته عکس های مشابه اولیه را گروه بندی می کند . برای نشان دادن امکان پذیری گسترده آ ن ، کاربرد آن در تصاویر مصنوعی ( ترکیبی ) ، MRI و تصاویر ماهواره ای پیشنهاد شده است . نتایج آزمایشات نشان می دهد که طبقه بندی کننده های تصاویر pso در همۀ معیارهای اندازه گیری شده بهتراز سایر طبقه کننده های مرسوم ( بنام kmeans )عمل می کنند.
قسمت دوم:در این تحقیق محاسبه کمیت یک تصویر رنگی بر اساس بهینه سازی حرکت اجزا (PSO ) بررسی شده است. این محاسبه به طور تصادفی با انتخاب یک جزء در حرکت که شامل یکی از مرکزهای K است آغاز شده است. ( به معنی رنگهای سه گانه ) . سپس الگوریتم دسته بندی ابزار K جهت بهبود مرکز انتخاب شده ، برای هر جزء احتمال ویژه کاربربکار گرفته شده.

۲-۱الگوریتم PSO که مخفف کلمات Particle swarm Optimitation Algorithm است، یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. این الگوریتم برای اولین بار در سال ۱۹۹۸ ارائه شد. در مسائل بهینه سازی به ویژه در پارامترهای مهندسی برق – قدرت کاربردهای متعددی داشته است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه‌ی دسته به کار گرفته شد. در  PSO، particleها در فضای جستجو جاری می‌شوند. تغییر مکان particleها در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر particleهای Swarm روی چگونگی جستجوی یک particle اثر می‌گذارد. نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که particleها به سمت نواحی موفق میل می‌کنند. Particleها در Swarm از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند.

حرکت دسته جمعی ذرات[۱] یک تکنیک کارا برای حل مسایل بهینه سازی است که بر مبنای قوانین احتمال و بر اساس جمعیت کار میکند. در این روش هر یک از اعضای جمعیت که ذره نام دارند سعی میکنند با تنظیم مسیر خود و حرکت به سمت بهترین تجربه شخصی و بهترین تجربه جمعی گروه، به سوی راه حل نهایی حرکت کنند. از آنجا که در این الگوریتم ذرات به تدریج به سمت بهترین راه حل پیدا شده میل میکنند اگر این راه حل، یک بهینه محلی باشد ذرات همگی به سمت آن میروند و الگوریتم استاندارد PSO راهکاری برای خروج از این بهینه محلی ارائه نمیدهد. این بزرگترین مشکل PSO استاندارد است که سبب میشود در حل مسایل چند قله ای مخصوصا با فضای حالت بزرگ ناتوان باشد.

در الگوریتم حرکت دسته جمعی ذرات استاندارد، در محاسبه سرعت ذره در گام بعد، کل سرعت فعلی ذره محاسبه میشود. در واقع سرعت ذره در هر گام از دو قسمت تشکیل میشود که قسمت اول سرعت فعلی ذره و قسمت دوم مربوط به دنبال کردن بهترین تجربه شخصی و بهترین تجربه گروه است. بدون قسمت دوم الگوریتم حالت یک جستجوی سراسری کورکورانه را خواهد داشت و بدون قسمت اول، الگوریتم به جستجویی محلی در نزدیکی بهترین ذره تبدیل خواهد شد که در رسیدن به قسمتهای زیادی از فضای جستجو ناتوان خواهد بود. الگوریتم حرکت دسته جمعی ذرات با ترکیب این دو قسمت، سعی میکند که به نوعی تعادل را بین جستجوی سراسری و محلی ایجاد نماید.

برخی از محققان سعی کرده اند تا با افزودن نویز به حرکات ذرات در الگوریتم استاندارد PSO، باعث حرکات متنوع تری شوند و بدین صورت مشکل بهینه های محلی را حل کنند. از برخی دیگر از نمونه های تلاش برای حل مشکل بهینه های محلی الگوریتم PSO نیز میتوان به ترکیب PSO با سایر الگوریتمها اشاره نمود.

اساس کار PSO بر این اصل استوار است که در هر لحظه هر particle مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.

فرض کنید می‌خواهیم زوج مرتب [x,y] را طوری بدست آوریم که تابع F(x,y)=x2+y2، مینیمم شود. ابتدا نقاطی را به صورت تصادفی در فضای جستجو، روی صفحه‌ی x-y انتخاب می‌کنیم. فرض کنید این Swarm  را به ۳ همسایگی تقسیم کنیم که در هر همسایگی نقاط موجود با یکدیگر تعامل دارند. در هر همسایگی هر یک از نقاط به سمت بهترین نقطه در آن همسایگی و بهترین مکانی که آن نقطه تاکنون در آن قرار داشته است، حرکت می‌کند. برای حل یک مسئله چند متغیر بهینه‌سازی می‌توان از چند Swarm استفاده کرد که هر یک از Swarmها کار مخصوصی را انجام می‌دهند. این همان ایده‌ای است که Ant colony از آن ریشه می‌گیرد.

از آنجا که دانش Swarm intelligence بسیار جدید است در حال حاضر کاربردهای کمی از آن شناخته شده است. ولی صاحبنظران معتقدند با این رشد روزافزون، Swarm intelligence می‌تواند نقش مهمی را در علوم مختلف از جمله مهندسی نفت ایفا کند.

در الگوریتم PSO، هر راه حل که به آن یک ذره گفته میشود، معادل یک پرنده در الگوی حرکت جمعی پرندگان میباشد. هر ذره یک مقدار شایستگی دارد که توسط یک تابع شایستگی محاسبه میشود. هر چه ذره در فضای جستجو به هدف- غذا در مدل حرکت پرندگان- نزدکتر باشد، شایستگی بیشتری دارد. همچنین هر ذره دارای یک سرعت است که هدایت حرکت ذره را بر عهده دارد. هر ذره با دنبال کردن ذرات بهینه در حالت فعلی، به حرکت خود در فضای مساله ادامه میدهد.

آغاز کار PSO به این شکل است که گروهی از ذرات(راه حلها) به صورت تصادفی به وجود می آیند و با به روز کردن نسلها سعی در یافتن راه حل بهینه مینمایند. در هر گام، هر ذره با استفاده از دوعدد از بهترین مقادیر به روز میشود. اولین مورد، بهترین موقعیتی است که تا کنون ذره موفق به رسیدن به آن شده است. موقعیت مذکور با نام pbest شناخته و نگهداری میشود. بهترین مقدار دیگری که توسط الگوریتم مورد استفاده قرار میگیرد، بهترین موقعیتی است که تا کنون توسط جمعیت ذرات بدست آمده است. این موقعیت با gbest نمایش داده میشود. در برخی ویرایشهای PSO، ذره، قسمتهایی از جمعیت را که همسایگان توپولوژیکی اش هستند، انتخاب میکند و تنها آنها را در اعمال خود دخیل میکند که در این حالت به بهترین راه حل محلی که با lbest نشان داده میشود، به جای gbest مورد استفاده قرار میگیرد.