Particle swarm optimization for constrained multimodal function optimization
Date
2024-03
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Stellenbosch : Stellenbosch University
Abstract
ENGLISH ABSTRACT: This thesis investigates the efficiency of particle swarm optimization (PSO) algorithms
at finding many feasible global optima for constrained multimodal optimization prob- lems. The
proposed approach is the niching migratory multi-swarm optimizer with Deb's comparison criteria
(NMMSO-DCC) algorithm. The NMMSO-DCC algorithm uses the same core architecture as the niching
migratory multi-swarm optimization (NMMSO) al- gorithm, but uses Deb's comparison criteria as a
constraint handling method. Deb's com- parison criteria allows the NMMSO-DCC algorithm to find many
feasible global optima for constrained multimodal optimization problems (CMMOPs), whereas the NMMSO
algorithm was designed only to find global optima for boundary constrained multimodal optimization
problems (MMOPs). The NMMSO algorithm is one of the state-of-the-art multiomodal optimization
algorithms, but cannot be used when constraints are placed on the objective function. Thus, the
proposed algorithm addresses the inability of the NMMSO algorithm to solve constrained multimodal
optimization problems. This study assumes that the objective function to be optimized remains
static throughout the search process. This study also assumes that the constraints placed upon the
objective func- tion remain static during the search process. All benchmark problems in this study
contain boundary constraints. The results indicate that the NMMSO-DCC performs
competitively compared to other state-of-the-art constrained multimodal optimization algorithms.
The results in terms of success rate are particularly convincing, whereas NMMSO-DCC struggled more
with respect to the peak ratio. This means that although the NMMSO-DCC algorithm is able to locate
all global optima within a given tolerance level in some of the independent runs, it struggles to
do so consistently across multiple
independent runs.
AFRIKAANSE OPSOMMING: Die tesis ondersoek die doeltreffendheid van algoritrnes vir deeltjieswerrnoptirnering orn verskeie lewensvatbare globale optirnerings vir beperkte rnultirnodale optirneringsprob- lerne te vind. Die voorgestelde benadering is orn die rnigrerende rnulti-swerrnoptirnering rnet die algoritrne van Deb se vergelykingskriteria (NMMSO-DCC) te nis. Die NMMSO- DCC-algoritrne gebruik dieselfde kern-argitektuur as die algoritrne van die nis-rnigrerende rnulti-swerrnoptirnering (NMMSO), rnaar gebruik Deb se vergelykingskriteria as 'n beperk- ende hanteringsrnetode. Deb se vergelykingskriteria rnaak dit rnoontlik vir die NMMSO- DCC-algoritrne orn verskeie uitvoerbare globale optirna vir beperkte rnultirnodale opti- rneringsproblerne te vind, terwyl die NMMSO-algoritrne slegs ontwerp is orn globale op- tirna vir begrensende rnultirnodale optirneringsproblerne te vind. Die NMMSO-algoritrne is een van die rnees gevorderde rnultirnodale optirneringsalgoritrnes, rnaar kan nie ge- bruik word wanneer beperkings op die doelfunksie geplaas word nie. Dus spreek die voorgestelde algoritrne die onverrnoe van die NMMSO-algoritrne aan orn beperkte rnul- tirnodale optirneringsproblerne op te los. Die studie veronderstel dat die doelfunksie wat geoptirneer rnoet word, deur die soekproses staties bly. Die studie veronderstel ook dat die beperkings wat op die doelfunksie geplaas word, deurgaans tydens die soekproses staties bly. Alle toetsproblerne in hierdie studie bevat grensbeperkings. Die resultate dui daarop dat die NMMSO-DCC rnededingend presteer in vergelyking rnet ander gevorderde beperkte rnultirnodale optirneringsalgoritrnes. Die resultate se sukseskoers is besonder oortuigend, terwyl NMMSO-DCC rneer problerne ondervind het rnet die piekverhouding. Dit beteken dat alhoewel die NMMSO-DCC-algoritrne in sornrnige van die onafhanklike lopies al die globale optirna binne 'n gegewe toleransievlak kan opspoor, vind dit nie konsekwent oor veelvuldige onafhanklike lopies plaas nie.
AFRIKAANSE OPSOMMING: Die tesis ondersoek die doeltreffendheid van algoritrnes vir deeltjieswerrnoptirnering orn verskeie lewensvatbare globale optirnerings vir beperkte rnultirnodale optirneringsprob- lerne te vind. Die voorgestelde benadering is orn die rnigrerende rnulti-swerrnoptirnering rnet die algoritrne van Deb se vergelykingskriteria (NMMSO-DCC) te nis. Die NMMSO- DCC-algoritrne gebruik dieselfde kern-argitektuur as die algoritrne van die nis-rnigrerende rnulti-swerrnoptirnering (NMMSO), rnaar gebruik Deb se vergelykingskriteria as 'n beperk- ende hanteringsrnetode. Deb se vergelykingskriteria rnaak dit rnoontlik vir die NMMSO- DCC-algoritrne orn verskeie uitvoerbare globale optirna vir beperkte rnultirnodale opti- rneringsproblerne te vind, terwyl die NMMSO-algoritrne slegs ontwerp is orn globale op- tirna vir begrensende rnultirnodale optirneringsproblerne te vind. Die NMMSO-algoritrne is een van die rnees gevorderde rnultirnodale optirneringsalgoritrnes, rnaar kan nie ge- bruik word wanneer beperkings op die doelfunksie geplaas word nie. Dus spreek die voorgestelde algoritrne die onverrnoe van die NMMSO-algoritrne aan orn beperkte rnul- tirnodale optirneringsproblerne op te los. Die studie veronderstel dat die doelfunksie wat geoptirneer rnoet word, deur die soekproses staties bly. Die studie veronderstel ook dat die beperkings wat op die doelfunksie geplaas word, deurgaans tydens die soekproses staties bly. Alle toetsproblerne in hierdie studie bevat grensbeperkings. Die resultate dui daarop dat die NMMSO-DCC rnededingend presteer in vergelyking rnet ander gevorderde beperkte rnultirnodale optirneringsalgoritrnes. Die resultate se sukseskoers is besonder oortuigend, terwyl NMMSO-DCC rneer problerne ondervind het rnet die piekverhouding. Dit beteken dat alhoewel die NMMSO-DCC-algoritrne in sornrnige van die onafhanklike lopies al die globale optirna binne 'n gegewe toleransievlak kan opspoor, vind dit nie konsekwent oor veelvuldige onafhanklike lopies plaas nie.
Description
Thesis (MSc)--Stellenbosch University, 2024.