دانلود شبیه سازی مقاله الگوریتم گورکن عسل خوار: یک الگوریتم فراابتکاری جدید

پروژه متلب الگوریتم گورکن عسل خوار

بهینه سازی به معنای فرآیند یافتن بهترین جواب ها برای یک سیستم معین، از همه مقادیر ممکن، برای بیشینه سازی یا کمینه سازی خروجی می باشد. در چند دهه گذشته، با افزایش پیچیدگی مسائل، نیاز به روش های بهینه سازی جدید بسیار زیاد شده است. قبلاً، روش های ریاضیاتی متداول مورد استفاده برای حل مسائل بهینه سازی، عمدتاً قطعیتی (یعنی غیراحتمالاتی) بودند که از یک مسئله عمده رنج می بردند: گیرافتادن در بهینه های محلی. این امر باعث می شود که این روش ها، در حل  مسائل بهینه سازی واقعی بسیار ناکارآمد شوند و در نتیجه منجر به توجه رو به رشد به فنون بهینه سازی احتمالاتی در دو دهه گذشته شده است. در اغلب موارد، اکثر مسائل بهینه سازی واقعی، در زمینه مهندسی، شبکه های حسگر بی سیم، پردازش تصویر، انتخاب ویژگی، تنظیم دقیق پارامترهای یادگیری ماشینی، بیوانفورماتیک و غیره، بخاطر قیدهای پیچیده ذاتی و متغیرهای طراحی بسیار، به میزان زیادی غیرخطی و غیرمحدب هستند. بنابراین، حل این مسائل بهینه سازی، بخاطر کمینه های محلی ذاتی فراوان، پیچیده است. علاوه بر آن، تضمینی در مورد یافتن یک جواب بهینه سراسری بوجود نمی آید. بنابراین، مشکلات مرتبط با این نوع مسائل بهینه سازی واقعی، انگیزه توسعه فنون جایگزین و موثر برای رسیدن به جواب های بهتر را بوجود می آورند.

اخیراً، موضوع بهینه سازی عددی، توجه جامعه پژوهشی را به خود جلب کرده است تا الگوریتم های بهینه سازی فرا ابتکاری مختلفی را پیشنهاد و توسعه دهند. این پروژه، یک الگوریتم بهینه سازی فراابتکاری جدید به نام «الگوریتم گورکن عسل خوار» (HBA) را ارائه می دهد. الگوریتم پیشنهادی، از رفتار خوراک جویی هوشمند گورکن عسل خوار الهام گرفته شده تا به زبان ریاضیاتی یک استراتژی جستجوی کارآمد برای حل مسائل بهینه سازی، توسعه یابد. رفتار جستجوی دینامیک گورکن عسل خوار با روش های حفر زمین و یافتن عسل فرموله شده و به مراحل اکتشاف و بهره برداری در HBA، تبدیل شده اند. علاوه برآن، با روش های تصادفی سازی کنترل شده، HBA، تراکم جمعیت بالایی را حتی تا انتهای فرآیند جستجو حفظ می کند. برای ارزیابی کارایی HBA، تعداد 24 تابع معیار استاندارد، «مجموعه آزمون CEC’17 و چهار مسئله مهندسی، حل می شوند. جواب های بدست آمده با استفاده از HBA با ده الگوریتم فرا ابتکاری مشهور شامل «تابکاری شبیه سازی شده» (SA)، بهینه سازی ازدحام ذرات (PSO)، استراتژی تکامل تطبیق ماتریس کوواریانس (CMA-ES)، تکامل تفاضلی وفقی مبتنی بر «تاریخچه موفقیت» با کاهش خطی اندازه جمعیت» (L-SHADE)، بهینه سازی «شعله-شب پره» (MFO)، بهینه سازی حرکت گله ای فیل (EHO)، الگوریتم بهینه سازی وال (WOA)، الگوریتم بهینه سازی ملخ (GOA)، بهینه سازی تبادل حرارتی (TEO) و بهینه سازی شاهین هریس (HHO)، مقایسه شده اند. نتایج تجربی، همراه با تحلیل آماری، اثربخشی HBA برای حل مسائل بهینه سازی با فضای جستجوی پیچیده و همچنین برتری آن از نظر سرعت همگرایی و توازن اکتشاف-بهره برداری را در مقایسه با روش های دیگر استفاده شده در این مقاله، آشکار می کنند.

این مقاله مربوط به سال 2022 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: