Zobraziť v EDS

A Hybrid Smart Quantum Particle Swarm Optimization for Multimodal Electromagnetic Design Problems

Uložené v:
Podrobná bibliografia
Názov: A Hybrid Smart Quantum Particle Swarm Optimization for Multimodal Electromagnetic Design Problems
Autori: Shah Fahad, Shiyou Yang, Shafi Ullah Khan, Shoaib Ahmed Khan, Rehan Ali Khan
Zdroj: IEEE Access, Vol 10, Pp 72339-72347 (2022)
Informácie o vydavateľovi: Institute of Electrical and Electronics Engineers (IEEE), 2022.
Rok vydania: 2022
Predmety: Optimization, Artificial intelligence, Economics, Wireless Energy Harvesting and Information Transfer, Premature convergence, Stochastic programming, 02 engineering and technology, 7. Clean energy, DE, Engineering, Artificial Intelligence, Smart quantum particle swarm, electromagnetic device, FOS: Electrical engineering, electronic engineering, information engineering, FOS: Mathematics, 0202 electrical engineering, electronic engineering, information engineering, Hybrid algorithm (constraint satisfaction), Constraint programming, Swarm Intelligence Optimization Algorithms, Electrical and Electronic Engineering, hybridization, Economic growth, Constraint logic programming, Position (finance), Geography, Multi-swarm optimization, Particle swarm optimization, Meta-optimization, Load Frequency Control in Power Systems, Optimization Applications, Mathematical optimization, SMES, Computer science, TK1-9971, Algorithm, Particle Swarm Optimization, Computer Science, Physical Sciences, Convergence (economics), Crossover, Electrical engineering. Electronics. Nuclear engineering, Benchmark (surveying), Differential evolution, Mathematics, Geodesy, Finance
Popis: La optimización de enjambre de partículas de comportamiento cuántico (QPSO) ha sido uno de los algoritmos más utilizados en el mundo de la ingeniería. Desde su debut en 2004, QPSO se ha utilizado para resolver numerosos problemas multimodales complicados. Además, teniendo en cuenta la adaptabilidad y la versatilidad, ha resuelto una variedad de problemas del mundo real y de prueba. Para abordar los problemas de optimización numérica y de ingeniería, presentamos el nuevo algoritmo híbrido QPSODE. El nuevo algoritmo híbrido integra la optimización de enjambre de partículas de comportamiento cuántico (QPSO) con la estrategia de evolución diferencial (DE). Un cruce y selección (influenciado por DE) se utiliza en el mecanismo de actualización de posición de QPSODE. Durante el proceso de selección, el operador de Boltzmann se aplica a los vectores de posición de dos partículas elegidas al azar, no a sus ubicaciones óptimas individuales. Por lo tanto, a diferencia de QPSO, una partícula solo se reubica en una nueva posición si tiene un valor de adecuación más alto, lo que implica la aplicación de una estrategia de selección en todo el espacio de búsqueda. Además, el algoritmo híbrido se mejora mediante la introducción de parámetros adecuados de ajuste, parámetro de control, disparidad de trayectoria. El algoritmo híbrido mejora el rendimiento del algoritmo al acelerar la convergencia y evitar la convergencia prematura, el principal defecto de los algoritmos anteriores. El algoritmo propuesto se pone a prueba mediante el uso de 19 funciones de prueba de referencia bien conocidas y el problema de optimización de ingeniería para el almacenamiento de energía magnética superconductora (SME). En términos de calidad de las salidas resultantes, QPSODE supera varios enfoques de vanguardia.
L'optimisation quantique des essaims de particules (QPSO) a été l'un des algorithmes les plus utilisés dans le monde de l'ingénierie. Depuis ses débuts en 2004, QPSO a été utilisé pour résoudre de nombreux problèmes multimodaux complexes. De plus, compte tenu de l'adaptabilité et de la polyvalence, il a résolu une variété de problèmes réels et de tests. Pour résoudre les problèmes d'optimisation numérique et d'ingénierie, nous introduisons un nouvel algorithme hybride QPSODE. Le nouvel algorithme hybride intègre l'optimisation quantique des essaims de particules (QPSO) avec une stratégie d'évolution différentielle (DE). est utilisé dans le mécanisme de mise à jour de position du QPSODE.Pendant le processus de sélection, l'opérateur de Boltzmann est appliqué aux vecteurs de position de deux particules choisies au hasard, et non à leurs emplacements optimaux individuels.Par conséquent, contrairement au QPSO, une particule n'est déplacée vers une nouvelle position que si elle a une valeur d'aptitude plus élevée, ce qui implique l'application d'une stratégie de sélection dans tout l'espace de recherche.En outre, l'algorithme hybride est amélioré en introduisant des paramètres appropriés de réglage, de paramètre de contrôle, de disparité de chemin.L' algorithme hybride améliore les performances de l'algorithme en accélérant la convergence et en évitant la convergence prématurée, la principale faille des algorithmes antérieurs. L'algorithme proposé est mis à l'épreuve, en utilisant 19 fonctions de test de référence bien connues et le problème d'optimisation de l'ingénierie pour le stockage d'énergie magnétique supraconductrice (SME). En termes de qualité des sorties résultantes, QPSODE surpasse diverses approches de pointe.
Quantum behaved particle swarm optimization (QPSO) has been one of the most widely used algorithm in engineering world.Since its debut in 2004, QPSO has been used for resolving numerous complicated multimodal problems.Moreover, considering the adaptability and versatility, it has resolved a variety of real-world and test problems.To tackle numerical and engineering optimization problems, we introduce novel hybrid algorithm QPSODE.The novel hybrid algorithm integrates Quantum behaved particle swarm optimization (QPSO) with differential evolution (DE) strategy.A crossover and selection (influenced by DE) is used in the QPSODE's position updating mechanism.During the selection process, the Boltzmann operator is applied to the position vectors of two randomly chosen particles, not to their individual optimum placements.Therefore, unlike the QPSO, a particle is only relocated to a new position if it has a higher fitness value, implying the application of a selection strategy across the whole search space.Additionally, the hybrid algorithm is improved by introducing proper parameters tuning, control parameter, path disparity.The hybrid algorithm enhances the algorithm's performance by speeding up the convergence and avoiding the premature convergence, the main flaw in the earlier algorithms.The proposed algorithm is put to test, by using 19 well-known benchmark test functions and the engineering optimization problem for superconducting magnetic energy storage (SMES).In terms of the quality of the resulting outputs, QPSODE outperforms various state-of-the-art approaches.
كان تحسين سرب الجسيمات ذات السلوك الكمومي (QPSO) أحد أكثر الخوارزميات استخدامًا في عالم الهندسة. منذ ظهوره لأول مرة في عام 2004، تم استخدام QPSO لحل العديد من المشاكل المعقدة متعددة الوسائط. علاوة على ذلك، وبالنظر إلى القدرة على التكيف والتنوع، فقد حل مجموعة متنوعة من مشاكل العالم الحقيقي والاختبار. لمعالجة مشاكل التحسين العددي والهندسي، نقدم خوارزمية هجينة جديدة QPSODE. تدمج الخوارزمية الهجينة الجديدة تحسين سرب الجسيمات ذات السلوك الكمومي (QPSO) مع استراتيجية التطور التفاضلي (DE). يتم استخدامه في آلية تحديث موضع QPSODE. أثناء عملية الاختيار، يتم تطبيق مشغل Boltzmann على متجهات الموضع لجسيمين تم اختيارهما عشوائيًا، وليس على مواضعهما المثلى الفردية. لذلك، على عكس QPSO، يتم نقل الجسيم فقط إلى موضع جديد إذا كان يحتوي على قيمة لياقة أعلى، مما يعني تطبيق استراتيجية اختيار عبر مساحة البحث بأكملها. بالإضافة إلى ذلك، يتم تحسين الخوارزمية الهجينة من خلال إدخال ضبط المعلمات المناسبة، ومعلمة التحكم، وتباين المسار. تعزز الخوارزمية الهجينة أداء الخوارزمية عن طريق تسريع التقارب وتجنب التقارب السابق لأوانه، العيب الرئيسي في الخوارزميات السابقة. يتم وضع الخوارزمية المقترحة للاختبار، باستخدام 19 وظيفة اختبار معيارية معروفة ومشكلة التحسين الهندسي لتخزين الطاقة المغناطيسية فائق التوصيل (SMES). من حيث جودة المخرجات الناتجة، يتفوق QPSODE على مختلف الأساليب الحديثة.
Druh dokumentu: Article
Other literature type
ISSN: 2169-3536
DOI: 10.1109/access.2022.3188276
DOI: 10.60692/fqzmj-t6w62
DOI: 10.60692/dxzh3-de165
Prístupová URL adresa: https://doaj.org/article/d790d1dcb97f41099e9cd4a486d55d5a
Rights: CC BY
Prístupové číslo: edsair.doi.dedup.....ba32b54a2af2c01d1aa0597fcdf88972
Databáza: OpenAIRE
Popis
Abstrakt:La optimización de enjambre de partículas de comportamiento cuántico (QPSO) ha sido uno de los algoritmos más utilizados en el mundo de la ingeniería. Desde su debut en 2004, QPSO se ha utilizado para resolver numerosos problemas multimodales complicados. Además, teniendo en cuenta la adaptabilidad y la versatilidad, ha resuelto una variedad de problemas del mundo real y de prueba. Para abordar los problemas de optimización numérica y de ingeniería, presentamos el nuevo algoritmo híbrido QPSODE. El nuevo algoritmo híbrido integra la optimización de enjambre de partículas de comportamiento cuántico (QPSO) con la estrategia de evolución diferencial (DE). Un cruce y selección (influenciado por DE) se utiliza en el mecanismo de actualización de posición de QPSODE. Durante el proceso de selección, el operador de Boltzmann se aplica a los vectores de posición de dos partículas elegidas al azar, no a sus ubicaciones óptimas individuales. Por lo tanto, a diferencia de QPSO, una partícula solo se reubica en una nueva posición si tiene un valor de adecuación más alto, lo que implica la aplicación de una estrategia de selección en todo el espacio de búsqueda. Además, el algoritmo híbrido se mejora mediante la introducción de parámetros adecuados de ajuste, parámetro de control, disparidad de trayectoria. El algoritmo híbrido mejora el rendimiento del algoritmo al acelerar la convergencia y evitar la convergencia prematura, el principal defecto de los algoritmos anteriores. El algoritmo propuesto se pone a prueba mediante el uso de 19 funciones de prueba de referencia bien conocidas y el problema de optimización de ingeniería para el almacenamiento de energía magnética superconductora (SME). En términos de calidad de las salidas resultantes, QPSODE supera varios enfoques de vanguardia.<br />L'optimisation quantique des essaims de particules (QPSO) a été l'un des algorithmes les plus utilisés dans le monde de l'ingénierie. Depuis ses débuts en 2004, QPSO a été utilisé pour résoudre de nombreux problèmes multimodaux complexes. De plus, compte tenu de l'adaptabilité et de la polyvalence, il a résolu une variété de problèmes réels et de tests. Pour résoudre les problèmes d'optimisation numérique et d'ingénierie, nous introduisons un nouvel algorithme hybride QPSODE. Le nouvel algorithme hybride intègre l'optimisation quantique des essaims de particules (QPSO) avec une stratégie d'évolution différentielle (DE). est utilisé dans le mécanisme de mise à jour de position du QPSODE.Pendant le processus de sélection, l'opérateur de Boltzmann est appliqué aux vecteurs de position de deux particules choisies au hasard, et non à leurs emplacements optimaux individuels.Par conséquent, contrairement au QPSO, une particule n'est déplacée vers une nouvelle position que si elle a une valeur d'aptitude plus élevée, ce qui implique l'application d'une stratégie de sélection dans tout l'espace de recherche.En outre, l'algorithme hybride est amélioré en introduisant des paramètres appropriés de réglage, de paramètre de contrôle, de disparité de chemin.L' algorithme hybride améliore les performances de l'algorithme en accélérant la convergence et en évitant la convergence prématurée, la principale faille des algorithmes antérieurs. L'algorithme proposé est mis à l'épreuve, en utilisant 19 fonctions de test de référence bien connues et le problème d'optimisation de l'ingénierie pour le stockage d'énergie magnétique supraconductrice (SME). En termes de qualité des sorties résultantes, QPSODE surpasse diverses approches de pointe.<br />Quantum behaved particle swarm optimization (QPSO) has been one of the most widely used algorithm in engineering world.Since its debut in 2004, QPSO has been used for resolving numerous complicated multimodal problems.Moreover, considering the adaptability and versatility, it has resolved a variety of real-world and test problems.To tackle numerical and engineering optimization problems, we introduce novel hybrid algorithm QPSODE.The novel hybrid algorithm integrates Quantum behaved particle swarm optimization (QPSO) with differential evolution (DE) strategy.A crossover and selection (influenced by DE) is used in the QPSODE's position updating mechanism.During the selection process, the Boltzmann operator is applied to the position vectors of two randomly chosen particles, not to their individual optimum placements.Therefore, unlike the QPSO, a particle is only relocated to a new position if it has a higher fitness value, implying the application of a selection strategy across the whole search space.Additionally, the hybrid algorithm is improved by introducing proper parameters tuning, control parameter, path disparity.The hybrid algorithm enhances the algorithm's performance by speeding up the convergence and avoiding the premature convergence, the main flaw in the earlier algorithms.The proposed algorithm is put to test, by using 19 well-known benchmark test functions and the engineering optimization problem for superconducting magnetic energy storage (SMES).In terms of the quality of the resulting outputs, QPSODE outperforms various state-of-the-art approaches.<br />كان تحسين سرب الجسيمات ذات السلوك الكمومي (QPSO) أحد أكثر الخوارزميات استخدامًا في عالم الهندسة. منذ ظهوره لأول مرة في عام 2004، تم استخدام QPSO لحل العديد من المشاكل المعقدة متعددة الوسائط. علاوة على ذلك، وبالنظر إلى القدرة على التكيف والتنوع، فقد حل مجموعة متنوعة من مشاكل العالم الحقيقي والاختبار. لمعالجة مشاكل التحسين العددي والهندسي، نقدم خوارزمية هجينة جديدة QPSODE. تدمج الخوارزمية الهجينة الجديدة تحسين سرب الجسيمات ذات السلوك الكمومي (QPSO) مع استراتيجية التطور التفاضلي (DE). يتم استخدامه في آلية تحديث موضع QPSODE. أثناء عملية الاختيار، يتم تطبيق مشغل Boltzmann على متجهات الموضع لجسيمين تم اختيارهما عشوائيًا، وليس على مواضعهما المثلى الفردية. لذلك، على عكس QPSO، يتم نقل الجسيم فقط إلى موضع جديد إذا كان يحتوي على قيمة لياقة أعلى، مما يعني تطبيق استراتيجية اختيار عبر مساحة البحث بأكملها. بالإضافة إلى ذلك، يتم تحسين الخوارزمية الهجينة من خلال إدخال ضبط المعلمات المناسبة، ومعلمة التحكم، وتباين المسار. تعزز الخوارزمية الهجينة أداء الخوارزمية عن طريق تسريع التقارب وتجنب التقارب السابق لأوانه، العيب الرئيسي في الخوارزميات السابقة. يتم وضع الخوارزمية المقترحة للاختبار، باستخدام 19 وظيفة اختبار معيارية معروفة ومشكلة التحسين الهندسي لتخزين الطاقة المغناطيسية فائق التوصيل (SMES). من حيث جودة المخرجات الناتجة، يتفوق QPSODE على مختلف الأساليب الحديثة.
ISSN:21693536
DOI:10.1109/access.2022.3188276