عنوان فارسی مقاله:الگوریتم بهینه سازی چنگ مرغ: یک الگوریتم فراابتکاری جدید الهام گرفته از طبیعت برای حل مسائل بهینه سازی

چکیده

در این مقاله، یک الگوریتم فراابتکاری الهام گرفته از طبیعت به نام الگوریتم بهینه‌سازی چنگ مرغ (LOA) که رفتار طبیعی چنگ مرغ را در طبیعت تقلید می‌کند، معرفی می‌شود. الهام‌بخش اساسی LOA، استراتژی چنگ مرغ در هنگام مواجهه با خطر است. در این شرایط، چنگ مرغ‌ها محیط اطراف خود را به دقت بررسی می‌کنند، سپس یا فرار می‌کنند یا در جایی پنهان می‌شوند. تئوری LOA توصیف شده و سپس به صورت ریاضی در دو مرحله مدل‌سازی می‌شود: (۱) اکتشاف بر اساس شبیه‌سازی استراتژی فرار چنگ مرغ و (ب) بهره‌برداری بر اساس شبیه‌سازی استراتژی پنهان‌سازی. عملکرد LOA در بهینه سازی مجموعه آزمایشی CEC 2017 برای ابعاد مسئله برابر با ۱۰، ۳۰، ۵۰ و ۱۰۰ مورد ارزیابی قرار گرفت. در طول فرآیند جستجو در فضای حل مسئله. به منظور ارزیابی قابلیت LOA در برخورد با وظایف بهینه سازی، نتایج به دست آمده از رویکرد پیشنهادی با عملکرد دوازده الگوریتم فراابتکاری معروف مقایسه شد. نتایج شبیه‌سازی نشان می‌دهد که LOA با ارائه نتایج بهتر در بهینه‌سازی اکثر توابع معیار، عملکرد بهتری نسبت به الگوریتم‌های رقیب دارد و به رتبه اول بهترین بهینه‌ساز دست می‌یابد. تجزیه و تحلیل آماری عملکرد الگوریتم‌های فراابتکاری نشان می‌دهد که LOA در مقایسه با الگوریتم‌های مقایسه شده برتری آماری معنی داری دارد. علاوه بر این، کارایی LOA در مدیریت برنامه‌های کاربردی دنیای واقعی از طریق برخورد با بیست و دو مسئله بهینه‌سازی محدود از مجموعه آزمایشی CEC 2011 و چهار مسئله طراحی مهندسی مورد بررسی قرار گرفت. نتایج شبیه‌سازی نشان می‌دهد که LOA عملکرد مؤثری در مدیریت وظایف بهینه‌سازی در برنامه‌های کاربردی دنیای واقعی دارد در حالی که نتایج بهتری در مقایسه با الگوریتم‌های رقیب ارائه می‌دهد.

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: Lyrebird Optimization Algorithm: A New Bio-Inspired Metaheuristic Algorithm for Solving Optimization Problems

Abstract

In this paper, a new bio-inspired metaheuristic algorithm called the Lyrebird Optimization Algorithm (LOA) that imitates the natural behavior of lyrebirds in the wild is introduced. The fundamental inspiration of LOA is the strategy of lyrebirds when faced with danger. In this situation, lyrebirds scan their surroundings carefully, then either run away or hide somewhere, immobile. LOA theory is described and then mathematically modeled in two phases: (i) exploration based on simulation of the lyrebird escape strategy and (ii) exploitation based on simulation of the hiding strategy. The performance of LOA was evaluated in optimization of the CEC 2017 test suite for problem dimensions equal to 10, 30, 50, and 100. The optimization results show that the proposed LOA approach has high ability in terms of exploration, exploitation, and balancing them during the search process in the problem-solving space. In order to evaluate the capability of LOA in dealing with optimization tasks, the results obtained from the proposed approach were compared with the performance of twelve well-known metaheuristic algorithms. The simulation results show that LOA has superior performance compared to competitor algorithms by providing better results in the optimization of most of the benchmark functions, achieving the rank of first best optimizer. A statistical analysis of the performance of the metaheuristic algorithms shows that LOA has significant statistical superiority in comparison with the compared algorithms. In addition, the efficiency of LOA in handling real-world applications was investigated through dealing with twenty-two constrained optimization problems from the CEC 2011 test suite and four engineering design problems. The simulation results show that LOA has effective performance in handling optimization tasks in real-world applications while providing better results compared to competitor algorithms.