کنترل کننده با بهینه سازی ازدحام ذرات (Particle Swarm Optimization-based Controller)، در ریاضیات (Mathematics)
انواع کنترل کننده ها (Controller) را در آموزش زیر شرح دادیم :
کنترل کننده با بهینه سازی ازدحام ذرات (Particle Swarm Optimization-based Controller) :
بهینه سازی پارامترها با الهام از رفتار اجتماعی پرندگان
کنترل کننده با بهینه سازی ازدحام ذرات یا Particle Swarm Optimization (PSO) Controller نوعی کنترل کننده است که در آن از الگوریتم بهینه سازی ازدحام ذرات برای تنظیم پارامترها استفاده می شود. PSO یک روش بهینه سازی فراابتکاری است که از رفتار اجتماعی پرندگان یا ماهی ها الهام گرفته شده است. هر ذره (عامل) در فضای جستجو حرکت می کند و موقعیت خود را بر اساس بهترین موقعیتی که خودش یافته و بهترین موقعیتی که کل جمعیت یافته است، تنظیم می کند.
قوانین حرکت هر ذره:
\[ v_i(t+1) = w v_i(t) + c_1 r_1 (pbest_i - x_i(t)) + c_2 r_2 (gbest - x_i(t)) \] \[ x_i(t+1) = x_i(t) + v_i(t+1) \]که در آن v_i سرعت ذره، x_i موقعیت (پارامترها)، pbest بهترین شخصی، gbest بهترین سراسری، w وزن اینرسی، c1,c2 ضرایب یادگیری، و r1,r2 اعداد تصادفی هستند.
کاربردها: تنظیم پارامترهای PID، طراحی کنترل کننده های فازی، بهینه سازی شبکه های عصبی، تنظیم کنترل کننده های مقاوم، سیستم های چندمتغیره.
✅ مزایا: سادگی پیاده سازی، همگرایی سریع تر از GA در بسیاری مسائل، پارامترهای کمتر نسبت به GA، حافظه ذاتی (بهترین شخصی).
⚠️ معایب: ممکن است بهینه محلی گیر کند، حساس به تنظیم پارامترها (w, c1, c2)، همگرایی زودرس در برخی مسائل.
PSO معمولا سریع تر از الگوریتم ژنتیک همگرا می شود، اما ممکن است در بهینه محلی گیر کند. نسخه های مختلفی برای بهبود PSO پیشنهاد شده است، مانند PSO با وزن اینرسی تطبیقی، PSO با ضرایب انقباض، و ترکیب با GA.
مثال: تنظیم ۵ پارامتر یک کنترل کننده فازی برای یک سیستم غیرخطی. ۳۰ ذره در فضای ۵ بعدی حرکت می کنند. تابع برازندگی مجموع مربعات خطا در یک شبیه سازی است. پس از ۲۰۰ تکرار، بهترین پارامترها به دست می آید.
PSO همچنین برای بهینه سازی چندهدفه با روش هایی مانند MOPSO توسعه یافته است. در این نسخه، مجموعه جواب های پارتو (Pareto front) یافت می شود.
