دانلود شبیه سازی مقاله الگوریتم غازهای وحشی: بهینه سازی بر اساس زندگی طبیعی و مرگ غازهای وحشی

پروژه متلب الگوریتم غازهای وحشی

بسیاری از مسائل بهینه سازی عملی که مسائل «بهینه سازی سراسری مقیاس بزرگ» (LSGO) نامیده می شوند، با متغیرهای تصمیم بسیاری سروکار دارند. تعدادی از مسائل LSGO عملی، مسائل طراحی سیستم الکترونیک مقیاس بزرگ، مسائل برنامه ریزی زمانی، مسائل مسیریابی خودرو در شبکه های ترافیک مقیاس بزرگ و مسئله سینماتیک شیمیایی معکوس، می باشند. مسائل بهینه سازی عملی و واقعی بسیاری، شامل بهینه سازی تعداد زیادی متغیر کنترلی با قیدهای مختلف می باشد. اما، روش های برنامه نویسی ریاضیاتی کلاسیک، عموماً راهکارهای خوبی برای مسائل بهینه سازی مختلف با پیچیدگی های واقعی مختلف حاصل نمی کنند، که این بخاطر اندازه هنگفت مسائل می باشد. عملکرد بهینه سازی سراسری الگوریتم های مبتنی بر جمعیت، در چنین مسائلی با افزایش ابعاد و پیچیدگی مسئله، اغلب ضعیف تر می شوند. مسائل بهینه سازی مقیاس بزرگ عملی با توابع آزمون معیار مختلف، مانند مسائل ارائه شده در CEC 2008 و CEC 1010، مدل سازی شده اند.

در کاربردهای واقعی متعددی، الگوریتم های جستجوی مبتنی بر جمعیت الهام گرفته شده از طبیعت برای حل مسائل بهینه سازی عددی بکار گرفته شده اند. این مقاله بر یک بهینه کننده مبتنی بر ازدحام ساده و قوی به نام «الگوریتم غازهای وحشی» (WGA) برای بهینه سازی سراسری مقیاس بزرگ تمرکز می کند که بازده و عملکرد آن با استفاده از توابع آزمون مقیاس بزرگ جلسات ویژه IEEE CEC 2008 & CEC 2010 با تعداد بعدهای زیاد D=100, 500, 1000، تایید شده اند. WGA از طبیعت و غازهای وحشی الهام گرفته شده است و جنبه های مختلف زندگی آنها، مانند تکامل، مهاجرت مشارکتی منظم و مرگ و میر آنها را مدل سازی می کند. اثربخشی WGA برای یافتن جواب های بهینه سراسری مسائل بهینه سازی ابعاد زیاد با دیگر روش های گزارش شده در مقالات قبلی، مقایسه شده است. نتایج تجربی نشان می دهند که WGA پیشنهادی، عملکرد کارآمدی در حل دامنه ای از مسائل بهینه سازی مقیاس بزرگ داشته است و آنرا علیرغم ساختار ساده تر و پیاده سازی آسانتر، نسبت به دیگر الگوریتم های بهینه سازی مقیاس بزرگ، بسیار برتر کرده است.

این مقاله مربوط به سال 2021 بوده و در محیط نرم افزار متلب (MATLAB) شبیه سازی شده است. در ادامه نیز تصویر مربوط به خروجی شبیه سازی قرار داده شده است: