الگوریتم PSO یا روش بهینه سازی ازدحام ذرات یک روش هوش مصنوعی است که به دنبال مقادیری می گردد که تابع را کمینه سازد. به طور کلی الگوریتم های بهینه سازی بر روی دو مسئله بیشینه سازی و کمینه سازی تمرکز دارند.

بهینه سازی کاربردهای زیادی در زمان بندی و تصمیم گیری دارد. الگوریتم PSO از رفتار اجتماعی جانوران برگرفته شده است. طبق آزمایشاتی که روی میمون ها انجام گرفت بعضی از رفتارها شبیه سازی شد و رفتار اعضا به سه دسته تقسیم شد: اجتناب از برخورد: اعضای گروه با هم برخوردی ندارند.

جمع شدن کانونی: هر عضو تلاش می کند تا در کنار هم گروهی و همسایه خود حرکت کند.

تنظیم سرعت: هر عضو سرعت خود را با همسایه خود تطابق داده و تنظیم می نماید.

در مباحث این الگوریتم، اصول پایه ای هم جواری، کیفیت، پایداری، تنوع پاسخ و اصل تطابق کاربرد دارد. این یک روش سراسری است که پاسخگوی مسائلی است که جوابشان یک نقطه در محیط n  بعدی باشد. به طور کلی هر ذره موقعیتی دارد که مختصات ذره را در فضای چند بعدی با توجه به حرکتش در طول زمان مشخص می سازد.

در مدل های مختلفی از این الگوریتم سعی می شود تا احتمال افتادن در بهینه های محلی را کاهش داد تا توانایی جستجوی سراسری و محلی الگوریتم را افزایش داد. الگوریتم بهینه سازی ذرات یا PSO  به علت ساده بودن و همچنین کارایی بسیار بالا یکی از محبوب ترین الگوریتم ها بهینه سازی و هوش جمعی در حوزه محاسبات علوم کامپیوتر است. با توجه به متاهیورستیک بودن این الگوریتم می توان بدون هیچ فرضیه ای یا با تعداد حداقل فرضیات، فضاهای بسیاری را از راه حل های کاندید جستجو کرد.

عملکرد الگوریتم PSO  به این صورت است که با داشتن دسته از ذرات یا پاسخ های کاندید کار می کند. حرکات این ذرات بهترین موقعیت در دسته خود و همچنین در کل دسته دارند که توسط کل دسته هدایت می شوند. با پیدا شدن موقعیت های بهتر، این پروسه تکرار می شود تا راه حلی مناسب و بهینه کشف گردد.


ثبت پروژه