الگوریتم بهینه سازی انطباقی جدید وال برای بهینه سازی جهانی A Novel Adaptive Whale Optimization Algorithm for Global Optimization
- نوع فایل : کتاب
- زبان : فارسی
- ناشر : Ijst
- چاپ و سال / کشور: 2016
توضیحات
رشته های مرتبط: مهندسی کامپیوتر و مهندسی صنایع، مهندسی الگوریتم ها و محاسبات و بهینه سازی سیستم ها
۱- مقدمه تصادفی سازی در الگوریتم های فراابتکاری نقش بسیار حیاتی در اکتشاف و بهره برداری ایفاء می کند . تکنیک های تصادفی سازی قدرتمند تر یک سری زنجیره های مارکوف ، پرش های (پرواز های ) لوی و توزیع گوسی یا نرمال هستند و جدیدترین تکنیک از نوع انطباقی می باشد . از اینرو ، الگوریتم های فرا ابتکاری در ترکیب با تکنیک انطباقی به زمان محاسباتی کمتر منجر می گردد تا به راه حل بهینه ، اجتتاب حداقلی محلی و همگرایی سریع تر منجر گردد . WAO مبتنی بر جمعیت یک الگوریتم بهینه سازی فراابتکاری می باشد که از توانایی برخوردار بوده است تا از بهینه محلی اجتناب نماید و به راه حل بهینه جهانی دست یابد که ان را برای کاربرد های عملی بدون اصلاحات ساختاری در الگوریتمی برای حل مسایل بهینه سازی متفاوت محدود شده یا محدود نشده مناسب می سازد . WOA در زمانی که با تکنیک انطباقی یکپارچه شده است باعث کاهش های محاسباتی برای مشکلات بی نهایت پیچیده می گردد . کار های معاصر با تکنیک انطابقی عبارتند از : الگوریتم جستجو Cuckoo انطباقی (ACSA) ، QGA ، تخلیه ناقص صوتی (PD) ، HGAPSO ، PSACO ، HSABA ، PBILKH ، KH-QPSDO ، PSACO ، HSABA ، PBILKH ، KH-QPSO ، IFA-HS ، HS/FA ، CKH-HS/BA ، HPSACO-CSKH ، HS-CSS ، PSOHS ، DEKH ، HS/CS ، HSBBO ، CSS-PSO و غیره . ساختار مقاله به صورت زیر نشان داده می شود : بخش اول شامل مقدمه ؛ بخش دوم شامل توصیف الگوریتم های اصلی می باشد ؛ بخش سوم از تحلیل نتایج رقابتی مشکل محک تست محدود نشده تشکیل می گردد ؛ در نهایت تایید و نتیجه گیری بر ایای نتایج استخراج می گردد . ۲ – الگوریتم بهینه سازی وال الگوریتم بهینه سازی که همین اواخر در الگوریتم فراابتکاری پیشنهاد شده است را الگوریتم بهینه سازی وال(WOA) می نامند که از استراتژی شکار شبکه حباب الهام گرفته شده است . رفتار شکار خاص وال های گوژپشت در الگوریتم توصیف می گردد ، وال ها از حباب های نوعی تبعیت می کنند و این کار یک دایره یا مسیر شکل عدد ۹ را ایجاد می کند در حالی که صیدرا در طول عملیات شکار محاصره می کنند . رفتار شکار / تغذیه شبکه حباب به راحتی می توانست این گونه درک گردد که وال گوژ پشت تقریبا ۱۰ تا ۱۵ متر در آب پایین رفته است و سپس بعد از شروع برای تولید حباب هایی در شکل مارپیچ به دور شکار حلقه می کند و سپس از حباب ها تبعیت می کند و به سمت بالا در سطح آب حرکت می کند . مدل ریاضی برای الگوریتم بهینه سازی وال به صورت زیر نشان داده می شود :
۱- مقدمه تصادفی سازی در الگوریتم های فراابتکاری نقش بسیار حیاتی در اکتشاف و بهره برداری ایفاء می کند . تکنیک های تصادفی سازی قدرتمند تر یک سری زنجیره های مارکوف ، پرش های (پرواز های ) لوی و توزیع گوسی یا نرمال هستند و جدیدترین تکنیک از نوع انطباقی می باشد . از اینرو ، الگوریتم های فرا ابتکاری در ترکیب با تکنیک انطباقی به زمان محاسباتی کمتر منجر می گردد تا به راه حل بهینه ، اجتتاب حداقلی محلی و همگرایی سریع تر منجر گردد . WAO مبتنی بر جمعیت یک الگوریتم بهینه سازی فراابتکاری می باشد که از توانایی برخوردار بوده است تا از بهینه محلی اجتناب نماید و به راه حل بهینه جهانی دست یابد که ان را برای کاربرد های عملی بدون اصلاحات ساختاری در الگوریتمی برای حل مسایل بهینه سازی متفاوت محدود شده یا محدود نشده مناسب می سازد . WOA در زمانی که با تکنیک انطباقی یکپارچه شده است باعث کاهش های محاسباتی برای مشکلات بی نهایت پیچیده می گردد . کار های معاصر با تکنیک انطابقی عبارتند از : الگوریتم جستجو Cuckoo انطباقی (ACSA) ، QGA ، تخلیه ناقص صوتی (PD) ، HGAPSO ، PSACO ، HSABA ، PBILKH ، KH-QPSDO ، PSACO ، HSABA ، PBILKH ، KH-QPSO ، IFA-HS ، HS/FA ، CKH-HS/BA ، HPSACO-CSKH ، HS-CSS ، PSOHS ، DEKH ، HS/CS ، HSBBO ، CSS-PSO و غیره . ساختار مقاله به صورت زیر نشان داده می شود : بخش اول شامل مقدمه ؛ بخش دوم شامل توصیف الگوریتم های اصلی می باشد ؛ بخش سوم از تحلیل نتایج رقابتی مشکل محک تست محدود نشده تشکیل می گردد ؛ در نهایت تایید و نتیجه گیری بر ایای نتایج استخراج می گردد . ۲ – الگوریتم بهینه سازی وال الگوریتم بهینه سازی که همین اواخر در الگوریتم فراابتکاری پیشنهاد شده است را الگوریتم بهینه سازی وال(WOA) می نامند که از استراتژی شکار شبکه حباب الهام گرفته شده است . رفتار شکار خاص وال های گوژپشت در الگوریتم توصیف می گردد ، وال ها از حباب های نوعی تبعیت می کنند و این کار یک دایره یا مسیر شکل عدد ۹ را ایجاد می کند در حالی که صیدرا در طول عملیات شکار محاصره می کنند . رفتار شکار / تغذیه شبکه حباب به راحتی می توانست این گونه درک گردد که وال گوژ پشت تقریبا ۱۰ تا ۱۵ متر در آب پایین رفته است و سپس بعد از شروع برای تولید حباب هایی در شکل مارپیچ به دور شکار حلقه می کند و سپس از حباب ها تبعیت می کند و به سمت بالا در سطح آب حرکت می کند . مدل ریاضی برای الگوریتم بهینه سازی وال به صورت زیر نشان داده می شود :
Description
In the meta-heuristic algorithms, randomization plays a very crucial role in both exploration and exploitation. More strengthen randomization techniques are Markov chains, Levy flights and Gaussian or normal distribution and newest technique is adaptive technique. So meta-heuristic algorithms on integrated with adaptive technique results in less computational time to reach optimum solution, local minima avoidance and faster convergence. Population based WOA1 is a meta-heuristic optimization algorithm has an ability to avoid local optima and get global optimal solution that make it appropriate for practical applications without structural modifications in algorithm for solving different constrained or unconstraint optimization problems. WOA integrated with adaptive technique reduces the computational times for highly complex problems. Contemporary works with adaptive technique are: Adaptive Cuckoo Search Algorithm (ACSA)2,3, QGA4 , Acoustic Partial discharge (PD)5,6, HGAPSO7 , PSACO8 , HSABA9 PBILKH10, KH-QPSO11, IFA-HS12, HS/FA13, CKH14 HS/BA15HPSACO16 CSKH17, HS-CSS18, PSOHS19, DEKH20, HS/CS21, HSBBO22, CSS-PSO23 etc. The structure of the paper can be given as follows: – Section I consists of Introduction; Section II includes description of main algorithms; section III consists of competitive results analysis of unconstraint test benchmark problem; finally, acknowledgement and conclusion based on results is drawn.
