بهینه‌سازی ازدحام ماهی تن: الگوریتم فراابتکاری مبتنی بر ازدحام جدید برای بهینه‌سازی سراسری

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 39

تعداد کلمات : 11300

مجله : Computational Intelligence and Neuroscience

انتشار : 2021

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
15 فوریه 2022
دسته بندی
تعداد بازدیدها
1275 بازدید
40,000 تومان

عنوان فارسی مقاله:بهینه‌سازی ازدحام ماهی تن: الگوریتم فراابتکاری مبتنی بر ازدحام جدید برای بهینه‌سازی سراسری

 چکیده

  در این مقاله، یک الگوریتم فراابتکاری مبتنی بر ازدحام جدید پیشنهاد شده است که بهینه سازی ازدحام ماهی تن (TSO) نامیده می شود. الهام بخش اصلی برای TSO بر اساس رفتار غذایابی مشارکتی ازدحام ماهی تن است. این کار برای توسعه یک الگوریتم فراابتکاری موثر، از دو رفتار غذایابی ماهی تن، از جمله جستجوی مارپیچی و جستجوی سهموی، تقلید می کند. عملکرد TSO با مقایسه با سایر فراابتکاری ها بر روی مجموعه ای از توابع معیار و چندین مسئله مهندسی واقعی ارزیابی می شود. تجزیه و تحلیل حساسیت، مقیاس پذیری، اعتبار و همگرایی مورد استفاده قرار گرفت و با آزمون جمع رتبه ای ویلکاکسون و آزمون فریدمن ترکیب شد. نتایج شبیه سازی نشان می دهد که TSO در مقایسه با سایر الگوریتم های مقایسه ای بهتر عمل می کند(بهینه‌سازی ازدحام ماهی تن).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Tuna Swarm Optimization: A Novel Swarm-Based Metaheuristic Algorithm for Global Optimization

Abstract

 In this paper, a novel swarm-based metaheuristic algorithm is proposed, which is called tuna swarm optimization (TSO). .e main inspiration for TSO is based on the cooperative foraging behavior of tuna swarm. .e work mimics two foraging behaviors of tuna swarm, including spiral foraging and parabolic foraging, for developing an effective metaheuristic algorithm. .e performance of TSO is evaluated by comparison with other metaheuristics on a set of benchmark functions and several real engineering problems. Sensitivity, scalability, robustness, and convergence analyses were used and combined with the Wilcoxon rank-sum test and Friedman test. .e simulation results show that TSO performs better compared to other comparative algorithms.