الگوریتمی برای بهینه سازی سراسری با الهام از رفتار جمعی حیوانات

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 26

تعداد کلمات : 8000

مجله : Discrete Dynamics in Nature and Society

انتشار : 2012

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
29 دسامبر 2021
دسته بندی
تعداد بازدیدها
1098 بازدید
25,000 تومان

عنوان فارسی مقاله:الگوریتمی برای بهینه سازی سراسری با الهام از رفتار جمعی حیوانات

 چکیده

 یک الگوریتم فراابتکاری برای بهینه سازی سراسری به نام رفتار حیوانات جمعی (CAB) معرفی شده است. گروه‌های جانوری، مانند ماهی‌ها، گله‌های پرندگان، دسته‌های ملخ و گاومیشها، رفتارهای مختلفی از خود نشان می‌دهند، از جمله ازدحام در اطراف منبع غذایی، جمع شدن در اطراف مکان‌های مرکزی، یا مهاجرت در فواصل زیاد در گروه‌های هم‌تراز. این رفتارهای جمعی اغلب برای گروه‌ها سودمند است و به آن‌ها اجازه می‌دهد راندمان برداشت خود را افزایش دهند، مسیرهای مهاجرت بهتری را دنبال کنند، آیرودینامیک خود را بهبود بخشند و از شکار جلوگیری کنند. در الگوریتم پیشنهادی، عوامل جستجوگر گروهی از حیوانات را تقلید می‌کنند که بر اساس قوانین بیولوژیکی حرکت جمعی با یکدیگر تعامل دارند. روش پیشنهادی با سایر الگوریتم های بهینه سازی شناخته شده مقایسه شده است. نتایج عملکرد خوب روش پیشنهادی را هنگام جستجوی یک بهینه سراسری از چندین تابع معیار نشان می‌دهد.

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: An Algorithm for Global Optimization Inspired by Collective Animal Behavior

Abstract

 A metaheuristic algorithm for global optimization called the collective animal behavior CAB is introduced. Animal groups, such as schools of fish, flocks of birds, swarms of locusts, and herds of wildebeest, exhibit a variety of behaviors including swarming about a food source, milling around a central locations, or migrating over large distances in aligned groups. These collective behaviors are often advantageous to groups, allowing them to increase their harvesting efficiency, to follow better migration routes, to improve their aerodynamic, and to avoid predation. In the proposed algorithm, the searcher agents emulate a group of animals which interact with each other based on the biological laws of collective motion. The proposed method has been compared to other well-known optimization algorithms. The results show good performance of the proposed method when searching for a global optimum of several benchmark functions.