دانشگاه کاشان محاسبات نرم 2322-3707 8 2 2021 05 23 Introducing a new meta-heuristic algorithm based on See-See Partridge Chicks Optimization to solve dynamic optimization problems ارائه یک الگوریتم فرا اکتشافی جدید مبتنی بر رفتار پرنده تیهو برای حل مسائل بهینه سازی پویا 38 65 111444 10.22052/8.2.38 FA مجید محمدپور دانشگاه آزاد اسلامی واحد یاسوج بهروز مینایی بیدگلی دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، ایران حمید پروین دانشگاه آزاد اسلامی-فارس-نورآباد ممسنی Journal Article 2021 05 23 The SSPCO (See-See Particle Chicks Optimization) is a type of swarm intelligence algorithm derived from the behavior of See-See Partridge. Although efficiency of this algorithm has been proven for solving static optimization problems, it has not yet been tested to solve dynamic optimization problems. Due to the nature of NP-Hard dynamic problems, this algorithm alone is not able to solve such optimization problems. Therefore, to enable the algorithm to optimally track the variable in these problems, it is necessary to be provided solutions with this algorithm so that can increase the performance of this algorithm for dynamic environments. In this paper, two solutions for combining SSPCO are presented: (1) the multi-swarm method and (2) memory with Gaussian density estimation. The problem with most multi-swarm methods is that as the population increases uncontrollably, the speed and efficiency of the algorithm gradually decreases. The multi-swarm methods presented in this paper is adapted to the problem space, and whenever there is a need to increase the population, a population is created adaptively, and this reduces the problems of previous methods. One of the issues that is being addressed to solve uncertainty problems is prediction of near future using data of the near past. In this article, to preserve past data a new memory called Gaussian density estimation memory is used. This memory fixes standard memory defects and improves the performance of the proposed algorithm. To evaluate the efficiency of the proposed method, the well-known moving peak benchmark function, which simulates behavior of dynamic problems, is used. The proposed algorithm is compared with the 10 most popular dynamic optimization algorithms. According to the experimental results, the proposed method reduces offline error to a great extent compared to other methods and the error produced by the proposed method is very small. الگوریتم SSPCO گونه ‌ای از الگوریتم های هوش جمعی و برگرفته‌شده از رفتار پرنده تیهو است. کارآیی این الگوریتم برای حل مسائل بهینه‌سازی ایستا به اثبات رسیده است؛ اما این کارآیی این الگوریتم تا به حال برای حل مسائل بهینه سازی پویا مورد آزمایش قرار نگرفته است. به‌دلیل ماهیت NP-Hard بودن مسائل پویا، این الگوریتم به‌تنهایی قادر به حل این گونه از مسائل بهینه‌سازی نمی‌باشد. بنابراین برای این که الگوریتم قادر به ردیابی بهینه متغیر در این مسائل باشد، باید راهکارهایی به همراه این الگوریتم ارائه داد که بتوانند عملکرد این الگوریتم را درمواجهه با محیط های پویا افزایش دهد. در این مقاله دو راه حل برای ترکیب با الگوریتم SSPCO ارائه شده است که عبارتند از، روش چندجمعیتی و حافظه با تخمین تراکم گوسی. مشکلی که در اکثر روش های چندجمعیتی وجود دارد این است که با افزایش کنترل نشده جمعیت، سرعت و راندمان الگوریتم به تدریج کاهش می یابد. روش چندجمعیتی ارائه شده در این مقاله به صورت تطبیقی با فضای مسئله می باشد، و هر زمان که نیاز به افزایش جمعیت باشد یک جمعیت به صورت تطبیقی ایجاد می شود و این موضوع باعث می شود که مشکل روش های قبلی کاهش یابد. یکی از مواردی که در حل مسائل غیرقطعی باید مشخص شود، استفاده از داده های گذشته نزدیک برای پیش بینی آینده نزدیک است. در این مقاله با توجه به این موضوع برای حفظ اطلاعات گذشته از یک نوع خاصی از حافظه استفاده شده است. در این روش از حافظه جدیدی به نام حافظه تخمین تراکم گوسی استفاده شده است. این حافظه عیوب حافظه استاندارد را برطرف نموده و باعث بهبود کارآیی الگوریتم پیشنهادی می شود. برای آزمایش کارآیی روش پیشنهادی از تابع معروف محک قله‌های متحرک که رفتاری شبیه به مسائل پویا را شبیه‌سازی می‌کند، استفاده شده است. الگوریتم پیشنهادی با 10 تا از مشهورترین الگوریتم های بهینه سازی پویا مقایسه گردیده است. همان گونه که از نتایج تجربی و آزمایش ها مشخص می باشد روش پیشنهادی توانسته خطای برون خطی را تا حدود بسیار زیادی نسبت به سایر روش کاهش دهد و خطای تولید شده برای روش پیشنهادی بسیار ناچیز است. https://scj.kashanu.ac.ir/article_111444_274b7b3def9606c0fcf17fa113b3a550.pdf