یک رویکرد جدید بهینه سازی تصادفی: الگوریتم بهینه سازی ازدحام دلفین ها

یک رویکرد جدید بهینه سازی تصادفی: الگوریتم بهینه سازی ازدحام دلفین ها

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 19

تعداد کلمات : 5000

مجله : International Journal of Computational Intelligence and Applications

انتشار : 2016

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
28 دسامبر 2021
دسته بندی
تعداد بازدیدها
1240 بازدید
39,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:یک رویکرد جدید بهینه سازی تصادفی: الگوریتم بهینه سازی ازدحام دلفین ها

 چکیده

 یک بهینه‌سازی جدید هوش ازدحام الهام گرفته از طبیعت (SI) به نام الگوریتم بهینه‌سازی ازدحام دلفین‌ها (DSOA) پیشنهاد شده است که مبتنی بر تقلید از مکانیسم دلفین‌ها در شناسایی، تعقیب و شکار دسته‌های ساردین برای انجام بهینه‌سازی است. به منظور آزمایش عملکرد، DSOA در برابر نتایج مربوط به سه الگوریتم بهینه‌سازی SI معروف موجود، یعنی بهینه‌سازی ازدحام ذرات (PSO)، الگوریتم خفاش (BA) و کلنی زنبورهای مصنوعی (ABC) در شرایط توانایی یافتن بهینه جهانی طیفی از توابع معیار محبوب استفاده شد. نتایج تجربی نشان می‌دهد که بهینه‌سازی پیشنهادی نسبت به سه الگوریتم دیگر برتری به نظر می‌رسد و الگوریتم پیشنهادی عملکرد نرخ هم‌گرایی سریع و اجتناب بهینه محلی بالایی دارد(بهینه سازی ازدحام دلفین ها).

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 New Stochastic Optimization Approach: Dolphin Swarm Optimization Algorithm

Abstract

 A novel nature-inspired swarm intelligence (SI) optimization is proposed called dolphin swarm optimization algorithm (DSOA), which is based on mimicking the mechanism of dolphins in detecting, chasing after, and preying on swarms of sardines to perform optimization. In order to test the performance, the DSOA is evaluated against the corresponding results of three existing well-known SI optimization algorithms, namely, particle swarm optimization (PSO), bat algorithm (BA), and arti¯cial bee colony (ABC), in the terms of the ability to ¯nd the global optimum of a range of the popular benchmark functions. The experimental results show that the proposed optimization seems superior to the other three algorithms, and the proposed algorithm has the performance of fast convergence rate, and high local optimal avoidance.