الگوریتم جدید پیشرفته بهینه سازی نهنگ (وال) برای بهینه سازی سراسری و کاربردهای مهندسی

عنوان فارسی مقاله:الگوریتم جدید پیشرفته بهینه سازی نهنگ (وال) برای بهینه سازی سراسری و کاربردهای مهندسی

چکیده

الگوریتم بهینه سازی نهنگ (WOA) یک الگوریتم هوش ازدحام مبتنی بر اکتشافی طبیعی است که توجه زیادی از سوی محققان و مهندسان به خود جلب کرده است. با این حال، WOA هنوز دارای محدودیت‌هایی است، از جمله کارایی محدود جستجوی سراسری و نرخ همگرایی کند. برای پرداختن به این مسائل، این مقاله یک الگوریتم بهینه‌سازی نهنگ بهبود یافته با استراتژی‌های متعدد، به نام الگوریتم بهینه‌سازی نهنگ به اشتراک گذاری پویا (DGSWOA) ارائه می‌کند. به طور خاص، یک نقشه سینوس-تانژانت-کوسینوس برای اولین بار به طور موثرتر اولیه سازی جمعیت، تضمین توزیع یکنواخت‌تر افراد در سراسر فضای جستجو اتخاذ شد. سپس، یک الگوریتم مبتنی بر دانش به اشتراک گذاری برای افزایش قابلیت جستجوی سراسری و جلوگیری از قرار گرفتن در یک بهینه محلی استفاده می‌شود. در نهایت، برای افزایش تنوع راه حل‌ها، یادگیری مبتنی بر تضاد پویا برای به روز رسانی جمعیت گنجانده شده است. اثربخشی رویکرد ما از طریق آزمایش‌های مقایسه‌ای بر روی تضاد بهینه‌سازی جعبه سیاه و دو مشکل کاربردی مهندسی ارزیابی می‌شود. نتایج تجربی نشان می‌دهد که روش پیشنهادی از نظر کیفیت راه حل و سرعت همگرایی در اکثر موارد رقابتی 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: A Novel Improved Whale Optimization Algorithm for Global Optimization and Engineering Applications

Abstract

The Whale Optimization Algorithm (WOA) is a swarm intelligence algorithm based on natural heuristics, which has gained considerable attention from researchers and engineers. However, WOA still has some limitations, including limited global search efficiency and a slow convergence rate. To address these issues, this paper presents an improved whale optimization algorithm with multiple strategies, called Dynamic Gain-Sharing Whale Optimization Algorithm (DGSWOA). Specifically, a Sine–Tent–Cosine map is first adopted to more effectively initialize the population, ensuring a more uniform distribution of individuals across the search space. Then, a gaining–sharing knowledge based algorithm is used to enhance global search capability and avoid falling into a local optimum. Finally, to increase the diversity of solutions, Dynamic Opposition-Based Learning is incorporated for population updating. The effectiveness of our approach is evaluated through comparative experiments on blackbox optimization benchmarking and two engineering application problems. The experimental results suggest that the proposed method is competitive in terms of solution quality and convergence speed in most cases.