文献

J-GLOBAL ID：202202238083927642   整理番号：22A0577681

構造損傷検出のためのリーダ学習機構を有する多成分PSOアルゴリズム【JST・京大機械翻訳】

A multi-component PSO algorithm with leader learning mechanism for structural damage detection

著者 (3件)： Li Xiao-Lin (Institut National des Sciences Appliquees Centre Val de Loire, Laboratoire de Mecanique Gabriel Lame, EA 7494, Blois 41000, France) ,  Serra Roger (Institut National des Sciences Appliquees Centre Val de Loire, Laboratoire de Mecanique Gabriel Lame, EA 7494, Blois 41000, France) ,  Olivier Julien (Institut National des Sciences Appliquees Centre Val de Loire, Laboratoire d’Informatique Fondamentale et Appliquee de Tours, EA 6300, Blois 41000, France)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 116  ページ： Null  発行年： 2022年 
JST資料番号： W2175A  ISSN： 1568-4946  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： パーティクルスウォーム最適化(PSO)アルゴリズムは,最適化問題を解決するために広く使われている。その主な欠点の1つは,遅い場合と時には早期の収束であり,局所最小値のスウォームをトラップする。この現象を緩和するためにいくつかのPSO変異体が提案されている。それでも,構造損傷検出(SDD)を扱うとき,これらのアルゴリズムの性能は均一ではなく,欠陥の数やそれらの厳しさに強く依存し,他の方法からの支援を必要とする。本論文は,MuC-PSOと呼ばれる協調学習による多成分PSOを提案する。他の方法に頼る代わりに,戦略プールを,4つのPSO変異体を結合することによって,提案したMuC-PSOにおいて構築して,それは,アルゴリズムが複数の探索戦略を協調的に実行することができることを保証した。さらに,リーダ学習機構(LLM)も実行して,情報交換を保証し,この方法の大域的収束を導いた。この戦略は,PSOバリアントが互いに恩恵を受け,MuC-PSOが複雑なSDD問題を解くことを可能にする。MuC-PSOの性能を,[10%,50%]間の重度レベルを持つ単一および多重損傷の9つの損傷シナリオで評価した。著者らのアルゴリズムを,4つのPSOバリアント単独およびいくつかの非PSOアルゴリズムを含む,種々の最近の最適化アルゴリズムと比較した。3種類の損傷に関するシミュレーション結果は,MuC-PSOの有効性と優位性を明確に実証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  シミュレーション ,  収束 ,  *学習 ,  最適化問題 ,  最適化手法 ,  戦略 ,  多重化 ,  *損傷 ,  スウォーム ,  情報交換 ,  *損傷検出
準シソーラス用語： *粒子群最適化 ,  協調学習 ,  探索戦略 , 【Automatic Indexing@JST】

著者キーワード (4件)： 粒子群最適化 ,  多成分PSO ,  構造損傷検出 ,  リーダー学習機構

分類 (4件)： 数理計画法  (KA03030M) ,  人工知能  (JE08000Z) ,  移動通信  (ND08030H) ,  システム最適化手法  (IA02050Z)

タイトルに関連する用語 (4件)： 損傷検出 ,  リーダ ,  学習 ,  PSOアルゴリズム