دانلود شبیه سازی مقاله الگوریتم فراابتکاری بهینه سازی جستجوی عقاب طاس

پروژه متلب الگوریتم عقاب طاس

در محاسبات مصنوعی، بهینه سازی همچنان یک چالش قابل توجه است. بر این اساس، الگوریتم های بسیاری برای حل چنین مسئله ای ابداع شده اند. اما، دو مسئله باید رفع شود تا رسیدن به یک جواب موفق برای این مسئله تضمین گردد: نحوه شناسایی بهینه های سراسری و محلی و نحوه حفظ چنین بهینه سازی تا انتهای جستجو. در دو دهه گذشته، محاسبات الهام گرفته شده از طبیعت، توجه گسترده ای را میان پژوهشگران به خود جلب کرده است، با توجه به اینکه طبیعت، منبع مهمی از مفاهیم، مکانیزم ها و ایده ها برای طراحی سیستم های محاسبات مصنوعی می باشد که مسائل ریاضیاتی پیچیده بسیاری را می توان بوسیله آن حل نمود. افراد باید خود را با محیط اطراف خود سازگار کنند تا از بقا و حفظ بلند مدت نژاد خود اطمینان حاصل کنند. به این فرآیند، تکامل گفته می شود. حفظ زمان تکثیر نیز می تواند ویژگی هایی را بوجود بیاورد که تقویت کننده رقابت پذیری افراد و حذف ویژگی های ضعیف آنها باشد. تنها آن افراد قوی از گونه های بقا پیدا کرده، می توانند ژن های اصلاح شده را به فرزندان و نسل های خود انتقال دهند. این فرآیند، که به انتخاب طبیعی مشهور است، مبنای الهام «الگوریتم های تکاملی» (EA ها) بوده اند که از جمله پر استفاده ترین و موفق ترین الگوریتم های بکار گرفته شده در پژوهش ها می باشند. در مجموعه مقالات، چندین نوع EA بکار گرفته شده اند که شامل الگوریتم های ژنتیک، برنامه نویسی ژنتیک، برنامه نویسی تکاملی و استراتژی های تکاملی، می باشند.

این مطالعه، یک الگوریتم «جستجوی عقاب طاس» (BES) را پیشنهاد می کند که یک الگوریتم بهینه سازی فرا ابتکاری الهام گرفته شده از طبیعت است که استراتژی شکار یا رفتار اجتماعی هوشمند عقاب های طاس هنگام جستجو برای ماهی را تقلید می کند. شکار بوسیله BES به سه مرحله تقسیم شده است. در مرحله اول (انتخاب فضا)، یک عقاب، فضایی که بیشترین تعداد شکارها را دارد، انتخاب می کند. در مرحله دوم (جستجو در فضا)، عقاب درون فضای انتخاب شده حرکت می کند تا شکارها را جستجو کند. در مرحله سوم (شیرجه رفتن)، عقاب از بهترین موقعیت شناسایی شده در مرحله دوم، استفاده می کند و بهترین نقطه برای شکار را تعیین می کند. شیرجه رفتن از بهترین نقطه شروع می شود و همه حرکت های دیگر به سمت این نقطه هدایت می شوند. BES با بکارگیری یک روش تکامل سه قسمتی تست می شود: (1) ارزیابی مقایسه ای مسئله بهینه سازی را برای ارزیابی عملکرد الگوریتم توصیف می کند (2) عملکرد الگوریتم را با عملکرد دیگر روش های محاسبه و تنظیم پارامتر هوشمند مقایسه می کند و (3) الگوریتم را براساس میانگین، انحراف معیار، بهترین نقطه و آماره آزمون رتبه علامت دار ویلکوکسون مربوط به مقادیر تابع، ارزیابی می کند. نتایج بهینه سازی و بحث تایید می کنند که الگوریتم BES رقابت خوبی با الگوریتم های فرا ابتکاری پیشرفته و روش های متداول می تواند داشته باشد.

این مقاله مربوط به سال 2019 بوده و شبیه سازی آن نیز در محیط نرم افزار متلب (MATLAB) انجام شده است؛ در ادامه نیز تصویر مربوط به خروجی شبیه سازی قرار داده شده است: