الگوریتم بهینه سازی میمون عنکبوتی فاز رهبر محلی اصلاح شده

عنوان فارسی مقاله:الگوریتم بهینه سازی میمون عنکبوتی فاز رهبر محلی اصلاح شده

چکیده

الگوریتمی که فاز رهبر محلی الگوریتم بهینه‌سازی میمون عنکبوتی (SMO)را تغییر می‌دهد پیشنهاد شده‌است. الگوریتم پیشنهادی به نام بهینه‌سازی میمون‌های عنکبوتی رهبر محلی اصلاح‌شده (MLLP-SMO) فرآیند جستجو را در فاز رهبر محلی با ارائه فرصت‌هایی به هر میمون عنکبوتی که برای به‌روزرسانی انتخاب می‌شود، متعادل می‌کند تا بر اساس قدرت آن، در موقعیت بهتری به‌روزرسانی شود. برازش قبلی الگوریتم پیشنهادی با SMO و بهبود SMO به نام بهینه‌سازی میمون عنکبوتی مبتنی بر اندازه گام تطبیقی (AsSMO)، در ۹ مسئله معیار مقایسه شد. مقایسه بر اساس میانگین خطای مطلق (MAE)، انحراف معیار (SD) و نرخ همگرایی انجام شد. نتایج آزمون نشان می دهد که MLLP-SMO بهتر از دو الگوریتم دیگر عمل می کند. استفاده از روش پیشنهادی در مسائل بهینه‌سازی مقادیر بهینه را با حداقل تکرار به دست می‌دهد(الگوریتم بهینه سازی میمون عنکبوتی).

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: Modified Local Leader Phase Spider Monkey Optimization Algorithm

Abstract

An algorithm that modifies the local leader phase of the spider monkey optimization (SMO) algorithm is proposed. The proposed algorithm called modified local leader spider monkey optimization (MLLP-SMO) balances the search process in the local leader phase by offering chances to each spider monkey that is selected for update, to update to a better position, based on the strength of its previous fitness. The proposed algorithm was compared with the SMO and an improvement of the SMO called adaptive step-size based Spider Monkey Optimization (AsSMO), on nine benchmark problems. The comparison was done based on mean absolute error (MAE), standard deviation (SD) and convergence rate. The test results show that the MLLP-SMO performs better than the other two algorithms. The use of the proposed method in optimization problems will yield optimal values, with minimal iterations.