الگوریتم بهینه سازی مخروط کاج (PCOA)

عنوان فارسی مقاله:الگوریتم بهینه سازی مخروط کاج (PCOA)

چکیده

مطالعه حاضر یک بهینه ساز جدید الهام گرفته از طبیعت به نام الگوریتم بهینه سازی مخروط کاج (PCOA) برای حل مسائل علمی و مهندسی معرفی می‌کند. PCOA بر اساس مکانیسم‌های مختلف تولید مثل درخت کاج، از جمله گرده افشانی و پراکندگی مخروط کاج توسط گرانش و حیوانات طراحی شده است. این مطالعه برای شبیه سازی مکانیزم های ذکر شده از عملگرهای جدید و قدرتمند استفاده می‌کند. عملکرد PCOA با استفاده از توابع معیار کلاسیک، CEC017 و CEC2019 به عنوان مسائل ریاضی و CEC2006 و CEC2011 به عنوان مسائل طراحی مهندسی تحلیل می‌شود. از نظر دقت، نتایج نشان دهنده برتری PCOA نسبت به الگوریتم‌های شناخته شده (PSO، DE و WOA) و الگوریتم‌های جدید (AVOA، RW_GWO، HHO و GBO) است. نتایج PCOA با الگوریتم‌های پیشرفته (LSHADE و EBOwithCMAR) مشابه است. از نظر سرعت همگرایی و پیچیدگی زمانی، نتایج PCOA معقول است. طبق آزمون فریدمن، رتبه PCOA به ترتیب ۱٫۶۸ و ۹٫۴۲ درصد بهتر از EBOwithCMAR (دومین الگوریتم برتر) و LSHADE (الگوریتم سوم برتر) است. محققان PCOA را برای جوامع علمی، مهندسی و صنعتی برای حل مسائل پیچیده بهینه‌سازی توصیه می‌کنند.

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 Pine Cone Optimization Algorithm (PCOA)

Abstract

The present study introduces a novel nature-inspired optimizer called the Pine Cone Optimization algorithm (PCOA) for solving science and engineering problems. PCOA is designed based on the different mechanisms of pine tree reproduction, including pollination and pine cone dispersal by gravity and animals. It employs new and powerful operators to simulate the mentioned mechanisms. The performance of PCOA is analyzed using classic benchmark functions, CEC017 and CEC2019 as mathematical problems and CEC2006 and CEC2011 as engineering design problems. In terms of accuracy, the results show the superiority of PCOA to well-known algorithms (PSO, DE, and WOA) and new algorithms (AVOA, RW_GWO, HHO, and GBO). The results of PCOA are competitive with state-of-the-art algorithms (LSHADE and EBOwithCMAR). In terms of convergence speed and time complexity, the results of PCOA are reasonable. According to the Friedman test, PCOA’s rank is 1.68 and 9.42 percent better than EBOwithCMAR (second-best algorithm) and LSHADE (third-best algorithm), respectively. The authors recommend PCOA for science, engineering, and industrial societies for solving complex optimization problems.