دانلود شبیه سازی مقاله توضیحات مختصری در مورد الگوریتم HHO

پروژه متلب الگوریتم شاهین هریس (HHO)

HHO یک الگوریتم بهینه‌سازی ازدحام مبتنی بر شیب، با چندین فاز فعال و زمان متفاوت اکتشاف و بهره‌برداری است. در سال 2019، این الگوریتم توسط مجله معتبر سیستم های کامپیوتری نسل آینده (FGCS) منتشر شد و به دلیل ساختار انعطاف پذیر، عملکرد بالا و نتایج با کیفیت بالا از همان روزهای اولیه توجه فزاینده ای را از سوی محققان به خود معطوف کرد. لازم به ذکر است که، منطق اصلی روش HHO بر پایه رفتار مشارکتی و سبک های تعقیب و گریز شاهین های هریس در طبیعت تحت عنوان “پرش غافلگیرانه” طراحی شده است. هم اکنون، پیشنهادات زیادی در خصوص نحوه افزایش عملکرد HHO وجود داشته و چندین نوع پیشرفته از HHO نیز در مجلات الزویر و IEEE وجود دارد.

داستان مربوط به این ایده بسیار جذاب و ساده است. شاهین های هریس می توانند الگوهای تعقیب تیمی مختلفی را بر پایه ماهیت پویای سناریوها و الگوهای فرار خرگوش نشان دهند. آنها منتظر می مانند و سپس با شاهین های دیگر از جهات مختلف حمله می کنند، در حالی که خرگوش با چندین حرکت زیگزاگ شروع به دویدن می کند.

برطبق دیدگاه رفتار الگوریتمی، چندین ویژگی موثر در خصوص HHO وجود دارد:

• پارامتر انرژی فرار دارای ماهیت تصادفی متغیر با زمان پویا است که می تواند الگوهای اکتشافی و بهره برداری HHO را بیشتر بهبود بخشیده و هماهنگ کند. همچنین این عامل برای انجام یک انتقال هموار و یکنواخت بین اکتشاف و بهره برداری از HHO پشتیبانی می کند.
• مکانیسم های مختلف اکتشاف با در نظر گرفتن میانگین موضع شاهین ها می تواند در طول تکرارهای اولیه روند اکتشافی HHO را افزایش دهد.
• الگوهای مختلف مبتنی بر LF با پرش های کوتاه، رفتارهای استثماری HHO را هنگام هدایت جستجوی محلی افزایش می دهد.
• طرح انتخاب تصاعدی برای پیشبرد تدریجی موقعیت خود و صرفا انتخاب موقعیت بهتر، از عوامل جستجو پشتیبانی می کند که در طی فرآیند بهینه سازی می تواند برتری راه حل ها و قدرت افزایش HHO را بهبود بخشد.
• HHO مجموعه ای از استراتژی های جستجو را نشان داده و سپس، بهترین مرحله حرکت را انتخاب می کند. این ویژگی همچنین از تأثیر سازنده ای بر تمایلات بهره برداری HHO برخوردار است.
• قدرت پرش تصادفی می تواند به راه حل های موجود در زمینه هماهنگ سازی تمایلات اکتشافی و بهره برداری کمک کند.
• استفاده از اجزای تطبیقی ​​و متغیر با زمان این امکان را برای HHO فراهم می کند تا مسائل مربوط به یک فضای ویژگی، نظیر راه حل های بهینه محلی، چند وجهی و بهینه گمراه کننده را مدیریت کند.

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