ఇంటర్నేషనల్ జర్నల్ ఆఫ్ స్వార్మ్ ఇంటెలిజెన్స్ అండ్ ఎవల్యూషనరీ కంప్యూటేషన్

నైరూప్య

గ్రేడియంట్ డీసెంట్ సెర్చ్‌తో మల్టీ-ఆబ్జెక్టివ్ పార్టికల్ స్వార్మ్ ఆప్టిమైజేషన్

లీ మా మరియు బాబాక్ ఫోరౌరాగి*

పార్టికల్ స్వార్మ్ ఆప్టిమైజేషన్ (PSO) అనేది అనేక రకాల ఆప్టిమైజేషన్ సమస్యలను ఎదుర్కోవటానికి నమ్మదగిన పద్ధతిగా నిరూపించబడింది. ప్రత్యేకంగా, బహుళ-ఆబ్జెక్టివ్ PSO (MOPSO) ఆప్టిమైజేషన్ సమస్యలను పరిష్కరించేటప్పుడు ఆప్టిమైజర్ పనితీరును మెరుగుపరచడానికి పారామీటర్ ఎంపిక మరియు అమలు వ్యూహంపై జాగ్రత్తగా శ్రద్ధ వహించాలి. ఈ కాగితం మెరుగైన స్థానిక శోధన సామర్థ్యంతో MOPSO నవలని ప్రతిపాదిస్తుంది. శోధన స్థలంలో కణాల పొరుగు ప్రాంతాల సాంద్రతను అంచనా వేయడానికి కొత్త పారామీటర్-తక్కువ భాగస్వామ్య విధానం ప్రవేశపెట్టబడింది. ప్రారంభంలో, ప్రతిపాదిత పద్ధతి ఖచ్చితంగా పరిష్కారాల యొక్క రద్దీ కారకాన్ని నిర్ణయిస్తుంది; తరువాతి దశలలో, ఇది మొత్తం సమూహాన్ని నిజమైన పారెటో ఫ్రంట్‌కు దగ్గరగా కలిసేలా సమర్థవంతంగా మార్గనిర్దేశం చేస్తుంది. అదనంగా, అల్గోరిథం పారెటో-ఆప్టిమల్ ప్రాంతాన్ని మెరుగ్గా అన్వేషించడానికి గ్రేడియంట్ సంతతికి చెందిన స్థానిక శోధన పద్ధతిని ఉపయోగిస్తుంది. అనేక టెస్ట్ ఫంక్షన్‌లపై అల్గారిథమ్ పనితీరు మరియు ఇంజనీరింగ్ డిజైన్ సమస్య నివేదించబడింది మరియు ఇతర విధానాలతో పోల్చబడింది. ప్రతిపాదిత అల్గోరిథం పారెటో-ఆప్టిమల్ ఫ్రంట్‌లో సమర్థవంతంగా శోధించగలదని మరియు ట్రేడ్-ఆఫ్‌సొల్యూషన్‌లను గుర్తించగలదని పొందిన ఫలితాలు చూపిస్తున్నాయి.