Chaotic dynamic weight particle swarm optimization for numerical function optimization

Chen, Ke; Zhou, Fengyu; Liu, Aling

doi:10.1016/j.knosys.2017.10.011

Cited by 150 publications

(70 citation statements)

References 41 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Önerilen yöntemi diğer yöntemlerden farklı kılan özellik parçacık güncellemesinin doğrudan çadır haritası kullanılarak yapılmasıdır. Diğer yöntemlerde [8,[16][17][18] parçacık güncellemede ki rastgele değerler kaotik haritalar kullanılarak üretilmektedir. KKS [16] yönteminde literatürde sıklıkla kullanılan karides sürüsü optimizasyon algoritması 12 kaotik yöntem kullanılmıştır.…”

Section: Tartişmalar (Discussion)unclassified

“…Karşılaştırmalarda kullanılan ve yukarıda bahsedilen makaleler yaygın bir etkiye sahiptir ve Chen ve arkadaşlarının makalesinde [8] karşılaştırma amacıyla kullanılan kaotik optimizasyon yöntemleridir. Bu yöntemler ve önerilen çadır haritası tabanlı yöntem MATLAB 2017a programı kullanılarak simüle edilmiştir.…”

Section: Tartişmalar (Discussion)unclassified

“…Bu yöntemler ve önerilen çadır haritası tabanlı yöntem MATLAB 2017a programı kullanılarak simüle edilmiştir. Referanslarda gösterilen ve karşılaştırma amacıyla kaotik yöntemler ele alındığında [8,[16][17][18] bu yöntemler var olan bir optimizasyon yönteminin başarımını arttırmak için rastgele değişkenler yerine kaotik haritaları kullanmaktadır. Bu makalede ise diferansiyel arama yaklaşımı ve çadır harita kullanılarak yeni bir kaotik optimizasyon yöntemi önerilmiştir ve kaosta var olan istatiski başarımın parçacık güncellemeye doğrudan etki etmesi sağlanmıştır.…”

Section: Tartişmalar (Discussion)unclassified

“…Kaotik haritalar istatistiki özellikleri çok iyi olan rastgele sayı üreteçleridir. Kaotik haritaların bu tür özelliklerini kullanmak için kaos tabanlı birçok optimizasyon yöntemi önerilmiştir [8][9][10][11]. Bu yöntemlerde kaotik haritalar rastgele sayı üretimi veya dinamik ağırlık üretimi için kullanılmıştır ve kaotik haritaların iyi sonuç üretmede etkili olduğu gösterilmiştir.…”

Section: Gi̇ri̇ş (Introduction)unclassified

See 3 more Smart Citations

Çadır Haritası Tabanlı Kaotik Optimizasyon Yöntemi

Tuncer

2018

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji

View full text Add to dashboard Cite

ÖzGerçek hayatta bazı problemler matematiksel yöntemler kullanılarak çözülememektedir Bu problemleri çözmek için genellikle meta sezgisel optimizasyon yöntemleri kullanılmaktadır. Meta-sezgisel optimizasyon yöntemlerinin başarımlarını arttırmak için kullanılan çözümlerden biriside kaotik haritaların kullanılmasıdır. Kaos doğrusal olmayan yöntemlerin fenomeni olarak literatürdeki yerini almaktadır. Bu makalede sıklıkla kullanılan kaotik haritalardan biri olan çadır (tent) harita kullanılarak yeni bir kaotik optimizasyon yöntemi önerilmiştir. Önerilen yöntem parçacık tabanlı bir yöntemdir ve bu yöntem rastgele parçacık oluşturma, en iyi değeri hesaplama, parçacık güncelleme ve en iyi değeri güncelleme aşamalarından oluşmaktadır. Çadır harita parçacık güncelleme aşamasında kullanılmaktadır. Önerilen yöntemim performansını test etmek için literatürde sıklıkla kullanılan 12 adet sayısal karşılaştırma fonksiyonu kullanılmıştır ve elde edilen sonuçlar literatürde daha önce önerilmiş ve yaygın olarak kullanılan optimizasyon yöntemleriyle karşılaştırılmıştır. Deneysel sonuçlar ve karşılaştırmalar, önerilen yöntemin başarılı bir optimizasyon yöntemi olduğunu göstermektedir. AbstractIn the real life, some problems cannot be solved using mathematical methods. Meta-heuristic optimization methods are usually used to solve these problems. One of the solutions used to increase the performance of meta-heuristic optimization methods is the use of chaotic maps. Chaos is a phenomenon of nonlinear methods. In this article, a new chaotic optimization method is proposed by using a tent map which is one of the frequently used chaotic maps. The proposed method is a particle-based method, which consists of random particle creation, best-fit calculation, particle update, and best-value update. The tent map is used during the particle update phase. In order to test the performance of the proposed method, 12 numerical comparison functions, which are frequently used in the literature, were used and the results obtained were compared with previously proposed and widely used optimization methods in the literature. Experimental results and comparisons show that the proposed method is a successful optimization method.

show abstract

Section: Tartişmalar (Discussion)unclassified

Section: Gi̇ri̇ş (Introduction)unclassified

See 2 more Smart Citations

Çadır Haritası Tabanlı Kaotik Optimizasyon Yöntemi

Tuncer

2018

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji

View full text Add to dashboard Cite

show abstract

“…Jordehi [19] constructed time-varying weight coefficient and adaptive adjusted particle search strategy, which provides feasible plan for estimating circuit model parameters of PV cells/modules. Chen et al [20] employed fitness function to dynamically and adaptively adjust particle weight and effectively improved the search mode of particles at different times. However, the order of magnitude and variation of fitness function may vary with problems.…”

Section: Introductionmentioning

confidence: 99%

Improved Adaptive Holonic Particle Swarm Optimization

Li¹,

Jin²,

Wang³

et al. 2019

Mathematical Problems in Engineering

View full text Add to dashboard Cite

For the first time , the Holonic Particle Swarm Optimization (HPSO ) algorithm applies multiagent theory about the improvement in the PSO algorithm and achieved good results. In order to further improve the performance of the algorithm, this paper proposes an improved Adaptive Holonic Particle Swarm Optimization (AHPSO) algorithm. Firstly, a brief review of the HPSO algorithm is carried out, and the HPSO algorithm can be further studied in three aspects: grouping strategy, iteration number setting, and state switching discrimination. e HPSO algorithm uses an approximately uniform grouping strategy that is the simplest but does not consider the connections between particles. And if the particles with larger or smaller differences are grouped together in different search stages, the search efficiency will be improved. erefore, this paper proposes a grouping strategy based on information entropy and system clustering and combines two grouping strategies with corresponding search methods. e performance of the HPSO algorithm depends on the setting of the number of iterations. If it is too small, it is difficult to search for the optimal and it wastes so many computing resources. erefore, this paper constructs an adaptive termination condition that causes the particles to terminate spontaneously after convergence. e HPSO algorithm only performs a conversion from extensive search to exact search and still has the potential to fall into local optimum. is paper proposes a state switching condition to improve the probability that the algorithm jumps out of the local optimum. Finally, AHPSO and HPSO are compared by using 22 groups of standard test functions. AHPSO is faster in convergence than HPSO, and the number of iterations of AHPSO convergence is employed in HPSO. At this point, there exists a large gap between HPSO and the optimal solution, i.e., AHPSO can have better algorithm efficiency without setting the number of iterations.

show abstract

Optimization workflow to parameterize elastomer material models based on arbitrary time‐domain measurement data

Rapp

Jacobs

Berroth

et al. 2023

J of Applied Polymer Sci

View full text Add to dashboard Cite

Predicting the behavior of elastomer components always requires experimental characterization of their nonlinear mechanical properties. This involves measuring the ratio of stresses and strains and the dissipated energy per load cycle in harmonic deformations of test specimens. Characteristic values, such as the elastomer's stiffness and damping, and their dependence on amplitude and frequency are then calculated and used to identify material model parameters.However, determining these characteristic values imposes significant requirements on test setup and control, as they are only meaningful when calculated from ideally sinusoidal and steady-state load sequences. This can result in unnecessary methodological errors for any real-world measurement. This contribution presents a method for identifying material model parameters that omits determining characteristic values, greatly reducing testing times and prediction errors. The method involves an optimization-based variation of model parameters to directly match the stress response of a material model with measured stresses. Its independence from ideal test sequences is shown by applying the method to numerically generated measurement data with artificial control errors. Application to real measurement data reveals a possible reduction of testing times from about 2 h to below 35 s while preserving the model's accuracy.

show abstract

Chaotic dynamic weight particle swarm optimization for numerical function optimization

Cited by 150 publications

References 41 publications

Çadır Haritası Tabanlı Kaotik Optimizasyon Yöntemi

Çadır Haritası Tabanlı Kaotik Optimizasyon Yöntemi

Improved Adaptive Holonic Particle Swarm Optimization

Optimization workflow to parameterize elastomer material models based on arbitrary time‐domain measurement data

Contact Info

Product

Resources

About