دانلود شبیه سازی مقاله بهینه ساز گرگ خاکستری

پروژه متلب الگوریتم گرگ خاکستری

این پروژه، یک الگوریتم فراابتکاری جدید تحت عنوان بهینه ساز گرگ خاکستری (GWO) را با الهام از گرگ های خاکستری (Canis lupus) ارائه می دهد. لازم به ذکر است که این الگوریتم GWO، از سلسله مراتب رهبری و مکانیسم شکار گرگ های خاکستری در طبیعت تقلید می کند. در این مطالعه، برای شبیه سازی سلسله مراتب رهبری، از چهار نوع گرگ خاکستری به نام آلفا، بتا، دلتا و امگا استفاده می شوند. همچنین، سه مرحله اصلی شکار یعنی جستجوی طعمه، احاطه کردن طعمه و حمله به طعمه انجام می شود. سپس الگوریتم بر روی 29 تابع تست مشخص شده، مورد ارزیابی قرار می گیرد و نتایج با استفاده از یک مطالعه مقایسه ای با بهینه سازی ازدحام ذرات (PSO)، الگوریتم جستجوی گرانشی (GSA)، تکاملی تفاضلی (DE)، برنامه ریزی تکاملی (EP) و استراتژی تکامل (ES) تائید می شوند. نتایج حاکی از آن است که الگوریتم GWO در مقایسه با این الگوریتم فراابتکاری معروف می‌تواند نتایج بسیار رقابتی را ارائه دهد. این مقاله همچنین حل سه مسئله طراحی مهندسی کلاسیک (فنرکششی/فشاری، اتصال جوشی تیر به ستون و طراحی مخازن تحت فشار) را در نظر گرفته و کاربرد واقعی روش پیشنهادی را در زمینه مهندسی اپتیک ارائه می‌کند. نتایج بدست آمده در زمینه مسائل طراحی مهندسی کلاسیک و کاربرد واقعی اثبات می کند که الگوریتم پیشنهادی برای مسائل چالش برانگیز در فضاهای جستجوی نامشخص قابل استفاده است.

در این مقاله یک الگوریتم جدید بهینه سازی SI با الهام از گرگ های خاکستری ارائه شده است. روش پیشنهادی، سلسله مراتب اجتماعی و رفتار شکار گرگ های خاکستری را تقلید می کند. همچنین، بیست و نه تابع آزمایشی برای ارزیابی عملکرد الگوریتم پیشنهادی از لحاظ اکتشاف، بهره‌برداری، اجتناب از بهینه محلی و همگرایی مورد استفاده قرار گرفتند. نتایج بدست آمده حاکی از آن است که GWO در مقایسه با اکتشاف های شناخته شده نظیر PSO، GSA، DE، EP و ES می تواند نتایج بسیار رقابتی را ارائه دهد. ابتدا، نتایج بر روی توابع تک مدی/ تک نمایی بهره برداری برتر از الگوریتم GWO را نشان داد. دوم، توانایی اکتشاف GWO با نتایج مربوط به توابع چندمدی/ چندنمایی تایید شد. سوم، نتایج توابع مرکب، اجتناب از بهینه محلی بالایی را نشان داد. در نهایت، تحلیل همگرایی GWO، همگرایی این الگوریتم را اثبات کرد. همچنین، نتایج حاصل از مسائل طراحی مهندسی نیز نشان داد که الگوریتم GWO در فضاهای جستجوی نامشخص و چالش برانگیز، از عملکرد بالایی برخوردار است. در نهایت، الگوریتم GWO برای یک مسئله واقعی در مهندسی اپتیک مورد استفاده قرار گرفت. نتایج بدست آمده در مورد این مسئله، بهبود قابل ملاحظه NDBP در مقایسه با رویکردهای فعلی و همچنین کاربرد الگوریتم پیشنهادی را در حل مسائل واقعی نشان می دهد. همچنین نتایج مربوط به مسائل نیمه واقعی و واقعی اثبات کرد که GWO نه تنها در زمینه مسائل غیرمحدود بلکه در زمینه مسائل محدود نیز از عملکرد بالایی برخوردار است.

این شبیه سازی در نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تصاویر مربوط به خروجی های این شبیه سازی قرار داده شده است: