بهینه ساز بادبان ماهی: یک الگوریتم فراابتکاری الهام گرفته از طبیعت جدید

نوع فایل : word

تعداد صفحات : 43

تعداد کلمات : 9500

مجله : Engineering Applications of Artificial Intelligence

انتشار : 2019

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
23 سپتامبر 2020
دسته بندی
تعداد بازدیدها
2038 بازدید
46,000 تومان

عنوان فارسی مقاله:بهینه ساز بادبان ماهی: یک الگوریتم فراابتکاری الهام گرفته از طبیعت جدید برای حل مسائل بهینه سازی مهندسی محدود

 چکیده  

 الگوریتم‌های بهینه سازی الهام گرفته از طبیعت، به خصوص الگوریتم‌های مبتنی بر ازدحام (SA)، مسائل مهندسی و علمی به دلیل مسائل ناشی از انعطاف پذیری و سادگی، را حل می‌کنند. این الگوریتم‌ها برای مسائل بهینه سازی به دلیل انعطاف پذیری و سادگی قابل کاربرد هستند. این مطالعه یک الگوریتم بهینه سازی فراابتکاری الهام گرفته از طبیعت موسوم به بهینه ساز بادبان ماهی (SFO) را ارائه می‌کند که از گروهی از ماهیان شکاری الهام گرفته است. این روش متشکل از دو دنوع جمعیت، جمعیت بادبان ماهی برای تشدید جست و جو در اطراف بهترین نقطه و جمعیت ماهی‌های ساردین برای تنوع بخشی فضای جست و جو است. الگوریتم SFO بر روی ۲۰ توابع ریاضی مولتی مودال و یونی مودال برای آزمون ویژگی‌های متفاوت الگوریتم ارزیابی می‌شود. به علاوه، SFO با شش الگوریتم فراابتکاری پیشرفته در ابعاد پایین و بالا مقایسه می‌شود. این نشان دهنده‌ی نتایج رقابتی برای بهبود مراحل اکتشاف و بهره برداری، اجتناب از بهینه‌های محلی و همگرایی سرعت بالا در بهینه سازی سراسری بزرگ مقیاس است. الگوریتم SFO عملکرد بهتری نسبت به بهترین الگوریتم‌های موجود در منابع در خصوص اکثر توابع آزمایشی دارد و تفاوت معنی دار آماری را در میان سایر الگوریتم‌ها نشان می‌دهد. به علاوه، الگوریتم SFO نتایج عالی را برای توابع آزمون غیر محدب، غیر قابل تفکیک و مقیاس پذیر ارائه می‌کند. در نهایت، نتایج مطلوب در خصوص پنچ مسئله‌ی بهینه سازی جهان واقعی نشان می‌دهد که SFO قابل کاربرد برای حل مسئله با فضای جست و جوی مجهول و محدود است.

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: The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problems

Abstract

 Nature-inspired optimization algorithms, especially swarm based algorithms (SAs), solve many scientific and engineering problems due to their flexibility and simplicity. These algorithms are applicable for optimization problems without structural modifications. This work presents a novel nature-inspired metaheuristic optimization algorithm, called SailFish Optimizer (SFO), which is inspired by a group of hunting sailfish. This method consists of two tips of populations, sailfish population for intensification of the search around the best so far and sardines population for diversification of the search space. The SFO algorithm is evaluated on 20 well-known unimodal and multimodal mathematical functions to test different characteristics of the algorithm. In addition, SFO is compared with the six state-of-art metaheuristic algorithms in low and high dimensions. It also indicates competitive results for improvement of exploration and exploitation phases, avoidance of local optima, and high speed convergence especially on large-scale global optimization. The SFO algorithm outperforms the best algorithms in the literature on the majority of the test functions and it shows the statistically significant difference among other algorithms. Moreover, the SFO algorithm shows significantly great results for non-convex, non-separable and scalable test functions. Eventually, the promising results on five real world optimization problems indicate that the SFO is applicable for problem solving with constrained and unknown search spaces.
دیدگاهتان را بنویسید