الگوریتم جستجوی آب ازدحام فیل برای بهینه سازی سراسری

نوع فایل : word

تعداد صفحات : 32

تعداد کلمات : 11100

مجله : Indian Academy of Sciences

انتشار : 2018

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
14 فوریه 2021
دسته بندی
تعداد بازدیدها
1560 بازدید
29,000 تومان

عنوان فارسی مقاله:الگوریتم جستجوی آب ازدحام فیل برای بهینه سازی سراسری

 چکیده  

پیچیدگی فزاینده مشکلات بهینه سازی در زندگی واقعی ، محققان کامپیوتر را متقاعد کرده است تا روش های جدید بهینه سازی کارآمد را ایجاد کنند. محاسبات تکاملی و فراابتکاری مبتنی بر هوش ازدحام ، روش های بسیار بهینه سازی الهام گرفته از طبیعت هستند. در این مقاله ، نویسنده برای حل مشکلات مختلف بهینه سازی الگوریتم جستجوی آب دسته ازدحام فیل (ESWSA) را ارائه داده است که از رفتار فیل های اجتماعی الهام گرفته شده است. این الگوریتم عمدتاً مبتنی بر استراتژی جستجوی آب فیلهای هوشمند و اجتماعی در زمان خشکسالی است. در ابتدا ، ما تجزیه و تحلیل مقدماتی حساسیت پارامتری را برای الگوریتم پیشنهادی خود انجام می دهیم ، و دستورالعمل هایی را برای انتخاب مقادیر پارامتر در مشکلات زندگی واقعی تهیه می کنیم. علاوه بر این ، الگوریتم در برابر تعدادی از توابع معیار به طور گسترده ای مورد استفاده برای بهینه سازی جهانی ارزیابی می شود و مشاهده می شود که الگوریتم پیشنهادی در بیشتر موارد در مقایسه با سایر فرآشنای های پیشرفته عملکرد بهتری دارد. علاوه بر این ، ESWSA در اکثر معیارها در طی آزمون تناسب  ، آزمون همگرایی ، آزمون پیچیدگی محاسباتی ، آزمون موفقیت و مقیاس پذیری عملکرد بهتری دارد. در مرحله بعدی ، ESWSA در برابر دو مسئله بهینه سازی محدود شناخته شده آزمایش می شود ، جایی که ESWSA از نظر سرعت اجرا و بهترین تناسب  بسیار کارآمد است. به عنوان یک کاربرد ESWSA در مسئله زندگی واقعی ، آن را در برابر یک مسئله معیار زیست شناسی محاسباتی ، یعنی استنباط شبکه تنظیم کننده ژن بر اساس شبکه عصبی راجعه آزمایش کردیم. مشاهده شده است که ESWSA پیشنهادی قادر است به کمترین حد ممکن در جهانی برسد و استنباط کلیه مقررات واقعی GRN را به درستی با زمان محاسبه کمتر در مقایسه با سایر فرابتکاری موجود ، فعال می کند.

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: Elephant swarm water search algorithm for global optimization

Abstract

The rising complexity of real-life optimization problems has constantly  inspired  computer  researchers to develop new efficient optimization methods. Evolutionary computation and metaheuristics based on swarm intelligence are very popular nature-inspired optimization techniques. In this paper, the author has proposed a novel elephant swarm water search algorithm (ESWSA) inspired by the behaviour of social elephants, to solve different optimization problems. This algorithm is mainly based on the water search strategy of intelligent and social elephants during drought. Initially, we perform preliminary parametric sensitivity analysis for our proposed algorithm, developing guidelines for choosing the parameter values in real-life problems. In addition, the algorithm is evaluated against a number of widely used benchmark functions for global opti- mizations, and it is observed that the proposed algorithm has better performance for most of the cases compared with other state-of-the-art metaheuristics. Moreover, ESWSA performs better during fitness test, convergence test, computational complexity test, success rate test and scalability test for most of the benchmarks. Next, ESWSA is tested against two well-known constrained optimization problems, where ESWSA is found to be very efficient in term of execution speed and best fitness. As an application of ESWSA to real-life problem, it has been tested against a benchmark problem of computational biology, i.e., inference of Gene Regulatory Network based on Recurrent Neural Network. It has been observed that the proposed ESWSA is able to reach nearest to global minima and enabled inference of all true regulations of GRN correctly with less computational time compared with the other existing metaheuristics.
    دیدگاهتان را بنویسید