دانلود شبیه سازی مقاله بهینه سازی مبتنی بر هرم الهام گرفته شده از سلسله مراتب رتبه شرکتی

پروژه متلب بهینه سازی مبتنی بر هرم

در یک سازمان، گروهی از افرادی که برای دستیابی به یک هدف مشترک با یکدیگر همکاری می کنند، ممکن است به هدف خود دست نیابند، مگر اینکه خود را در سلسله مراتبی تحت عنوان سلسله مراتب رتبه شرکتی (CRH) تجهیز و به روزرسانی کنند. طبق این اصل می توان مفهوم CRH را ترسیم کرده و الگوریتم جدیدی را برای بهینه سازی ارائه نمود که به طور منطقی عوامل جستجو را بر طبق تناسب آنها در یک رویکرد سلسله مراتب سازماندهی می کند. الگوریتم پیشنهادی، بهینه‌ ساز مبتنی بر پشته (HBO) نامیده می شود زیرا برای ترسیم مفهوم CRH از ساختار داده‌های پشته استفاده می‌کند. مدل ریاضی HBO مبتنی بر سه بخش است که عبارتند از: تعامل بین رئیس و زیردستان، تعامل بین همکاران و مشارکت خود کارکنان. همچنین، الگوریتم پیشنهادی با 97 تابع آزمایشی متنوع نظیر 29 تابع CEC-BC-2017 با چشم انداز بسیار چالش برانگیز در برابر 7 الگوریتم بهینه ‌سازی پراستناد نظیر برنده CEC-BC-2017 (EBO-CMAR) مورد سنجش و ارزیابی قرار گرفته است. در دو آزمایش اول، با استفاده از 24 تابع تک وجهی و 44 تابع چند وجهی، رفتار استثماری و اکتشافی HBO مورد ارزیابی گرفت. همچنین، نتایج بدست آمده از طریق آزمایشات و آزمون میانگین رتبه فریدمن حاکی از آن است که HBO از عملکرد بهتری برخوردار بوده و رتبه 1 را تضمین می کند. در آزمایش سوم، 29 تابع معیار CEC-BC-2017 مورد استفاده قرار گرفته است. بر اساس آزمون فریدمن، میانگین رتبه HBO پس از EBO-CMAR به مقام دوم دست یافت. با این وجود، تفاوت در رتبه های HBO و EBO-CMAR با استفاده از آزمون مقایسه چندگانه مبتنی بر روش بونفرونی از لحاظ آماری ناچیز است. همچنین، نتایج بدست آمده از آزمون فریدمن حاکی از آن است که رتبه کلی HBO برای تمام معیارهای 97، رتبه اول است. در آزمایش چهارم و آخرین آزمایش، با حل 3 مسئله بهینه سازی مهندسی مکانیک، قابلیت کاربرد بر روی مسائل دنیای واقعی محدود نشان داده شده است. همچنین نتایج بدست آمده حاکی از آن است که عملکرد الگوریتم پیشنهادی، بهتر یا معادل سایر الگوریتم‌هایی است که در مقالات مطرح شده است.

این مقاله مربوط به سال 2020 بوده و شبیه سازی آن نیز در محیط نرم افزار متلب (MATLAB) انجام شده است.