fa استفاده از یک روش ترکیبی PSO – GA جهت جایابی بهینه خازن در سیستمهای توزیع تخصصي Special كاربردي Applicable در این مقاله ، ما یک الگوریتم جدید پیشنهاد کرده ایم که PSO و ژنتیک را به طریقی با هم ترکیب میکند بگونه ای که الگوریتم جدید موثرتر و کار آمد تر میگردد. این بدین معنی که سرعت رسیدن به پاسخ به طور قابل ملاحظه ای افزایش می یابد و در عین حال دقت پاسخ نیز به مراتب بالاتر است. خاصیت الگوریتم بهینه سازی تجمع این است که به سرعت همگرا می شود ، اما در نزدیکی های نقطه بهینه فرآیند جستجو به شدت کند می شود . از طرفی می دانیم که الگوریتم ژنتیک نیز به شرایط اولیه به شدت حساس می باشد . در حقیقت طبیعت تصادفی عملگرهای ژنتیک ، الگوریتم را به جمعیت اولیه حساس می کند. این وابستگی به شرایط اولیه به گونه ای است که اگر جمعیت اولیه خوب انتخاب نگردد ، الگوریتم ممکن است همگرا نشود . در این مقاله با استفاده از این الگوریتم ترکیبی GA- PSO، مکان و اندازه بهینه خازن در یک سیستم توزیع نمونه بدست آمده است . همچنین جایابی بهینه خازن با الگوریتم های PSO و GA بطور جداگانه بدست و نتایج با هم مقایسه شده اند .نتایج نشان می دهند که الگوریتم جدید می تواند سریعتر به پاسخ برسد و به جمعیت اولیه وابسته نیست و پاسخهای دقیق تری را پیدا میکند. In this paper, we have proposed a new algorithm which combines PSO and GA in such a way that the new algorithm is more effective and efficient.The particle swarm optimization (PSO) algorithm has shown rapid convergence during the initial stages of a global search but around global optimum, the search process will become very slow. On the other hand, genetic algorithm is very sensitive to the initial population. In fact, the random nature of the GA operators makes the algorithm sensitive to the initial population. This dependence to the initial population is in such a manner that the algorithm may not converge if the initial population is not well selected. This new algorithm can perform faster and does not depend on initial population and can find optimal solutions with acceptable accuracy. Optimal capacitor placement and sizing have been found using this hybrid PSO-GA algorithm. We have also found the optimal place and size of capacitors using GA and PSO separately and compared the results. Engineering Capacitor Placement, Hybrid PSO-GA, Particle swarm optimization, Genetic Algorithm 1 10 http://jor.iranaict.ir/browse.php?a_code=A-10-478-1&slc_lang=fa&sid=1 Mohammad Hadi Varahram محمد هادی ورهرام hadi_varahram@yahoo.com 10031947532846002072 10031947532846002072 Yes Amir Mohammadi امیر محمدی 10031947532846002073 10031947532846002073 No