دانلود شبیه سازی مقاله بهینه سازی مبتنی بر مدل زندگی طبیعی پرنده COOT (چنگر)

پروژه متلب الگوریتم بهینه سازی چنگر

بهینه سازی فرآیند به معنای یافتن بهترین پاسخ یا نقطه بهینه سراسری در خصوص یک مسئله می باشد. در بهینه سازی مسائل، نقطه بهینه سراسری، مقدار حداقل یا حداکثر یک تابع می باشد. همچنین مسائل بهینه سازی در تمام زمینه های مطالعاتی وجود دارد. علاوه بر این بهینه سازی فرآیند، تکنیک های بهینه سازی را به یک موضوع لاینفک و مهم مطالعه برای محققان تبدیل می کند. الگوریتم های فراابتکاری نوعی الگوریتم تصادفی هستند که برای یافتن پاسخ بهینه مورد استفاده قرار می گیرند. همچنین، روش ها و الگوریتم های بهینه سازی به دو گروه الگوریتم های دقیق و الگوریتم های تقریبی طبقه بندی می شوند. الگوریتم ‌های دقیق از قابلیت یافتن پاسخ بهینه به روشی دقیق برخوردار هستند، اما در زمینه مسائل بهینه‌سازی دقیق از کارایی کافی برخوردار نیستند و زمان پیاده سازی آنها به صورت تصاعدی با ابعاد مسائل گسترش می‌یابد. همچنین، الگوریتم های تقریبی از قابلیت یافتن راه حل های خوب (نزدیک به بهینه) در زمان کوتاه برای مسائل بهینه سازی دقیق برخوردار هستند. الگوریتم‌های تقریبی به سه دسته تقسیم می‌شوند که عبارتند از: الگوریتم‌های اکتشافی، الگوریتم‌های فراابتکاری و ابرفراابتکاری. دو مسئله اصلی الگوریتم‌ های نوآورانه، دستیابی به آنها در نقاط بهینه محلی و همگرایی اولیه در این نقاط می باشد. علاوه بر این، الگوریتم‌ های فراابتکاری برای حل الگوریتم‌ های اکتشافی ناقص ارائه شده‌اند. در حقیقت، الگوریتم ‌های فراابتکاری یکی از انواع الگوریتم ‌های بهینه‌ سازی تقریبی هستند که دارای راه‌حل‌هایی برای گریز از نقاط بهینه محلی هستند و می‌توانند برای طیف وسیعی از مسائل استفاده شوند. همچنین در دهه های اخیر، طبقه بندی های مختلفی از این الگوریتم ها توسعه یافته اند. علاوه بر این، فرآیندهای فراابتکاری یک مکانیسم ساده، انعطاف‌پذیر و غیر استنتاجی هستند و می توانند از بهینه‌های محلی اجتناب کنند. همچنین، فرآیندهای فراابتکاری از پدیده های فیزیکی، رفتار حیوانات، مفاهیم تکاملی و پدیده های انسانی الهام گرفته شده اند.

اخیرا به منظور یافتن بهترین راه حل برای مسائل پیچیده مهندسی، الگوریتم های هوشمند متعددی ارائه شده است. این الگوریتم ها از قابلیت جستجوی فضاهای راه حل فرار و چند بعدی برخوردار بوده و می توانند پاسخ های بهینه را به موقع بیابند. در این پروژه، روش فراابتکاری جدیدی ارائه شده است که از رفتار دسته‌ای نوعی از پرندگان به نام کوت الهام گرفته شده است. الگوریتم کوت (الگوریتم بهینه سازی چنگر) از دو حالت مختلف حرکت پرندگان در سطح آب تقلید می کند: در مرحله اول حرکت پرندگان نامنظم است و در مرحله دوم حرکات منظم است. دسته پرندگان برای دستیابی به غذا به سمت گروهی از رهبران پیشرو حرکت می کنند. حرکت به صورتی است که هرکدام از پرندگان به دنبال پرنده دیگر حرکت می کنند. سپس الگوریتم بر روی تعدادی از توابع آزمایشی پیاده سازی شده و نتایج با الگوریتم‌ های بهینه ‌سازی معروف مورد مقایسه قرار می گیرند. همچنین، برای حل چندین مسئله واقعی، مانند فنر کششی/فشرده، طراحی مخزن تحت فشار، طراحی تیر جوش، ترمز کلاچ دیسکی چند صفحه ای، مسئله قرقره مخروطی ، طراحی تیر کنسول، مسئله طراحی کاهنده، و مسئله بلبرینگ المان غلتان، این الگوریتم از کاربرد فزاینده ای برخوردار است. نتایج بدست آمده حاکی از آن است که این الگوریتم در مقایسه با بسیاری از روش های بهینه سازی دیگر از عملکرد بهتری برخوردار است.

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