K-Ortalamalara dayalý yeni yoðunlaþtýrma stratejisi ile Parçacýk Sürüsü Optimizasyonu

Parçacýk Sürüsü Optimizasyonu (PSO), balýklarýn ve kuþlarýn yiyecek aramadaki davranýþlarýndan ilham alan popüler bir sürü zekâsý algoritmasýdýr. PSO, kolay ve baþarýlý çalýþma yapýsýna raðmen erken yakýnsama ve zayýf küresel arama kapasitesi nedeniyle yerel minimumlara takýlmaktadýr. Bu çalýþmada, PSO ile K-Ortalamalar yöntemi uyarlanmýþ ve yeni bir çeþitlilik yöntemi önerilmiþtir. Önerilen yönteme; K-Ortalamalara Dayalý Yeni Çeþitlilik Stratejisi ile Parçacýk Sürüsü Optimizasyonu (PSO-DSK) adý verilmiþtir. PSO-DSK algoritmasýnýn çalýþma stratejisinde, parçacýklar farklý kümelere ayrýlýr; her küme için bir merkez seçilir ve merkeze en uzak konumda olan parçacýk belirlenir. PSO-DSK, merkeze en uzakta olan parçacýðýn sonuçlarýný iyileþtirerek yeni bir çeþitlendirme stratejisi uygulamaktadýr. PSO-DSK, 16 farklý test fonksiyonu kullanýlarak performans analizi yapýlmýþtýr. Sonrasýnda PSO-DSK, standart PSO ve 7 PSO varyantý ile karþýlaþtýrýlmýþtýr. Elde edilen sonuçlar, PSO-DSK'nýn dikkate deðer bir geliþme saðladýðýný, orijinal PSO ve PSO varyantlarýndan daha iyi performans gösterdiðini ispatlamýþtýr.

Particle Swarm Optimization with a new intensification strategy based on K-Means

Particle Swarm Optimization (PSO) is a well-known swarm-intelligence algorithm used in global optimization problems, which inspires from collecting behaviors of fishes or birds in foraging. Despite its advantages such as simple and efficient running structure, PSO has some drawbacks that cause it to get stuck at local minima due to early convergence and weak global search capacity. In this study, to overcome this problem, a clustering strategy is adapted to PSO, and the algorithm named Particle Swarm Optimization with a novel Diversity based on K-means (PSO-DSK) is presented. In the proposed PSO-DSK algorithm, the particles are divided into several clusters. Next, a center and the farthest particle from the center are chosen for each cluster. Then, the results are improved by relocating the farthest particle closer to the center. Finally, the performance of PSO-DSK is analyzed on 16 benchmark functions. The experimental results are compared with the standard PSO algorithm and its 7 variants. Consequently, the results and comparisons demonstrate that PSO-DSK achieves a remarkable improvement and outperforms standard PSO and its variants.