این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۶، شماره ۲، صفحات ۲۵-۳۹
عنوان فارسی عملکرد روش‌های بهینه‌سازی هوشمند در مسائل شناسایی سیستم IIR
چکیده فارسی مقاله روش‌های بهینه‌سازی هوشمند با استفاده از تجربیات گذشته‌ی جمعیتی از عوامل جستجو، به‌طور مؤثر به کاوش و مرور فضای پاسخ می‌پردازند. این تکنیک‌های مبتنی بر هوش جمعی قادرند مسائل بهینه‌سازی پیچیده را با تعداد تکرار معین حل کنند. این مقاله به ارزیابی عملکرد گونه‌های متفاوتی از الگوریتم‌های رایج و قدرتمند بهینه‌سازی در مسأله شناسایی سیستم در جهت طراحی و مدل‌سازی بهینه فیلترهای دیجیتال پاسخ ضربه نامتناهی (IIR) می‌پردازد. روش‌های مفروض عبارتند از: الگوریتم‌های وراثتی (GA) و تکامل تفاضلی (DE) مبتنی بر نظریه تکامل در کنار شش الگوریتم هوش جمعیِ بهینه‌سازی گروه ذرات (PSO)، الگوریتم جستجوی گرانشی (GSA)، بهینه‌سازی سیستم صفحات شیبدار (IPO)، بهینه‌ساز مورچه‌گیر (ALO)، بهینه‌سازی آموزش و یادگیری (TLBO) و برای اولین بار از الگوریتم بهینه‌سازی بیوگرافی (BBO). در پژوهش حاضر، مسأله شناسایی سیستم IIR به‌عنوان یک تابع بهینه‌سازی تک‌هدفه فرض شده و به ازای دو مدل IIR آزمایشی و چالشی برای مدل-سازی با مرتبه معادل و مرتبه کاهش‌یافته مورد ارزیابی قرار می‌گیرد. برای ارزیابی بازدهی و عملکرد الگوریتم‌ها، نتایج در قالب شاخص‌های ضریب موفقیت (IoS) و درجه اطمینان (DoR) همراه با میانگین مربع خطا (MSE) مورد بررسی قرار می‌گیرد. همچنین اثر کاهش عوامل جستجو بر روی عملکرد الگوریتم‌ها مورد تحلیل قرار می‌گیرد. برآورد کلی نتایج تصدیق اثربخشی شاخص‌های ارزیابی مفروض و عملکرد مطلوب روش‌های پیشنهادی به‌ویژه به ازای الگوریتم‌های PSO، IPO و BBO از جهت مشخصات همگرایی، میانگین زمان اجرا، متوسط مقادیر برازندگی MSE و شاخص‌های IoS و DoR؛ الگوریتم‌های GA و GSA از جهت همگرایی، زمان اجرا و DoR؛ روش DE به‌جهت زمان اجرا؛ الگوریتم ALO به‌جهت متوسط MSE و الگوریتم TLBO از جهت مشخصات همگرایی، میانگین IoS و درصد DoR را نشان می‌دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Performance of Intelligent Optimization Methods in IIR System Identification Problems
چکیده انگلیسی مقاله Intelligent optimization methods effectively explore and review the response space using past experiences a population of search agents. These population-based techniques can solve complex optimization problems with a defined number of iterations. This paper evaluates the performance of different types of common and powerful optimization algorithms in the system identification problem in order to optimal design and modeling of Infinite Impulse Response digital filters. Assumed methods include the Genetic Algorithm and Differential Evolution both based on evolutionary strategy along with six swarm intelligence algorithms, Particle Swarm Optimization, Gravitational Search Algorithm, Inclined Planes system Optimization, Ant Lion Optimizer, Teaching-Learning-Based Optimization, and, for the first time, Biogeography-Based Optimization. In the present study, the IIR system identification problem is assumed as a single-objective optimization function. It is evaluated for two experimental and challenging IIR models for the equivalent and reduced order modeling. To evaluate the efficiency and performance of the algorithms, the simulation results are evaluated in terms of Indicator of Success and Degree of Reliability with Mean Square Error. Also, the effect of reducing search agents on the performance of algorithms is analyzed. The overall estimation of the results confirms the acknowledgment of the effectiveness of the proposed evaluation indexes and the desirable performance of the proposed methods, especially for the PSO, IPO and BBO algorithms in terms of convergence characteristics, average runtime, average values of MSE, and IoS and DoR indices; GA and GSA algorithms in terms of convergence, runtime and DoR; DE method for running time; ALO algorithm for the mean of MSE, and TLBO algorithm in terms of the convergence characteristics, mean IoS, and DoR percent.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی محمدی |
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران

سیدحمید ظهیری |
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران

سیدمحمد رضوی |
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران

نشانی اینترنتی http://jscit.nit.ac.ir/article_66151_31afacc57c79e4793c3c1e280773ff95.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-818154.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات