@article { author = {Ejabati, Seyyed Masoud and ظهیری, سیّدحمید}, title = {Adaptive Increasing/Decreasing PSO for Solving Dynamic Optimization Problems}, journal = {Journal of Soft Computing and Information Technology}, volume = {7}, number = {2}, pages = {58-70}, year = {2018}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {Science progress has introduced new issues into the world requiring optimization algorithm with fast adaptation with uncertain environment changing with time. In these issues, location and optimized value change over time, so optimization algorithm should be capable of fast adaptation with variable conditions. This study has proposed a new algorithm based on particle optimization algorithm called Adaptive Increasing/Decreasing PSO. This algorithm, adaptively with an increase and decrease in the number of algorithm particles and effective search limit, is capable of searching and finding optimized number changed with time in non-linear and dynamic environments with undetectable changes. Also, a new definition, focused search zone, is provided for signalizing hopeful areas in order to accelerate local search process and prevent premature convergence, and success index as an indicator of the behavior of centralized search area in relation to environmental conditions. Results of the proposed algorithm on the moving peaks benchmark were assessed and compared with the results of some other studies. Results show positive effects of adaptive mechanisms such as a decrease and an increase in the particles and search limit on the duration of searching and finding optimization in comparison with other multi-population based optimization algorithms.}, keywords = {Adaptive Increasing and Decreasing Particles,Adaptive Search Radius,Dynamic Optimization Problems (DOPs),Local Search,Multi-population,Particle Swarm Optimization}, title_fa = {الگوریتم انطباقی بهینه سازی ذرات افزایشی کاهشی برای حل مسائل بهینه سازی پویا}, abstract_fa = {با پیشرفت روز افزون علم، همواره با مسائل جدیدی در دنیای واقعی روبرو میشویم که نیاز به الگوریتم بهینه سازی با قابلیت انطباق سریع با محیط در حال تغییر با زمان و غیرقطعی را بیشتر نمایان می کند. در این گونه مسائل شرایط همواره بگونه ای پیش می رود که مکان و مقدار بهینه در طول زمان تغییر می یابد، از این رو الگوریتم بهینه سازی باید توانایی انطباق سریع با شرایط متغیر را دارا باشد. در این مقاله الگوریتم جدیدی بر مبنای الگوریتم بهینه سازی ذرات به نام الگوریتم انطباقی بهینه سازی ذرات افزایشی کاهشی، پیشنهاد شده است. این الگوریتم همواره در روند بهینه سازی به طور انطباقی با کاهش یا افزایش تعداد ذرات الگوریتم و محدوده جستجو موثر توانایی یافتن و دنبال کردن تعداد بهینه متغیر با زمان در محیط های غیرخطی و پویایی که تغییرات آن قابل آشکارسازی نیست، را دارا می باشد. علاوه بر این تعاریف جدیدی به نام ناحیه جستجو متمرکز با هدف برجسته کردن فضاهای امیدبخش برای سرعت بخشیدن به فرایند جستجوی محلی و جلوگیری از همگرایی زودرس و شاخص موفقیت به عنوان معیاری برای چگونگی رفتار ناحیه جستجو متمرکز نسبت به شرایط محیطی، تعریف شده است. نتایج حاصل از الگوریتم پیشنهادی بر روی تابع محک قله های متحرک ارزیابی شده و با نتایج چندین الگوریتم معتبر مقایسه گردیده است. نتایج نشان دهنده تاثیر مثبت مکانیزم های انطباقی بکار گرفته شده از جمله کاهش و افزایش ذرات و محدوده جستجو بر زمان یافتن و دنبال کردن چندین بهینه در مقایسه با سایر الگوریتم های بهینه سازی مبتنی بر چند جمعیتی می باشد.}, keywords_fa = {کاهش و افزایش انطباقی ذرات,شعاع جستجو انطباقی,مسائل بهینهسازی پویا (DOPs),جستجوی محلی,چند جمعیتی,الگوریتم بهینهسازی ذرات}, url = {https://jscit.nit.ac.ir/article_82773.html}, eprint = {https://jscit.nit.ac.ir/article_82773_fdd16ba41258d2735a04999eaec919e2.pdf} }