دانلود شبیه سازی مقاله بهینه ساز بهبود یافته گرگ خاکستری برای حل مسائل مهندسی

پروژه متلب الگوریتم گرگ خاکستری

در مبحث بهینه‌ سازی، حل یک مسئله بهینه‌ سازی معمولاً به مفهوم یافتن مقادیر بهینه برای متغیرهای تصمیم جهت بیشینه سازی یا کمینه سازی مجموعه‌ای از توابع هدف است، در عین حال که محدودیت‌ها نیز نقض نمی شوند. اما بسیاری از مسائل بهینه سازی دنیای واقعی دارای مسائل متعددی هستند. به طور مثال دارای هزینه محاسباتی بالا، محدودیت های غیر خطی، چشم انداز جستجوی غیر محدب، توابع هدف پویا/نویز، و فضای گسترده راه حل هستند. همچنین می توان عنوان کرد که این چالش ها معیارهای اصلی برای انتخاب الگوریتم های دقیق یا تقریبی برای حل مسائل پیچیده به شمار می روند. با وجود اینکه، الگوریتم های دقیق قادر به ارائه دقیق بهینه سراسری هستند، اما در عین حال، متناسب با تعداد متغیرها، زمان پیاده سازی آنها به طور تصاعدی افزایش می یابد. بالعکس، الگوریتم های بهینه سازی تصادفی از قابیلیت شناسایی راه حل های بهینه یا نزدیک به بهینه در یک زمان معقول برخوردار هستند. به طور مثال، الگوریتم های ابتکاری و فراابتکاری نمونه هایی از کاربردی ترین شاخه های الگوریتم های تقریبی هستند که از قابلیت حل مسائل پیچیده برخوردار می باشند.

در این پروژه، برای حل مسائل بهینه سازی سراسری و طراحی مهندسی، یک بهینه ساز گرگ خاکستری بهبود یافته (I-GWO) ارائه شده است. لازم به ذکر است که این بهبود برای کاهش عدم تنوع جمعیتی، عدم تعادل بین بهره برداری و اکتشاف، و همگرایی زودرس الگوریتم GWO ارائه شده است. همچنین، الگوریتم I-GWO از یک استراتژی حرکتی جدید تحت عنوان استراتژی جستجوی شکار مبتنی بر یادگیری ابعادی (DLH) استفاده می کند که از رفتار شکار فردی گرگ ها در طبیعت ناشی شده است. همچنین، DLH برای ساختن یک محله برای هر گرگ از رویکرد متفاوتی استفاده می کند که طی آن می توان اطلاعات همسایه را بین گرگ ها اشتراک گذاری نمود. شایان ذکر است که، این بعد یادگیری که در استراتژی جستجوی DLH مورد استفاده قرار می گیرد، تعادل بین جستجوی محلی و سراسری را افزایش داده و به حفظ تنوع منجر می شود. علاوه بر این، عملکرد الگوریتم I-GWO پیشنهادی بر روی مجموعه معیار CEC 2018 و چهار مسئله مهندسی مورد ارزیابی قرار گرفته است. همچنین لازم به ذکر است که در تمام آزمایشات صورت گرفته، I-GWO با شش الگوریتم فراابتکاری پیشرفته دیگر مورد مقایسه قرار گرفته و نتایج بدست آمده نیز با استفاده از آزمون های آماری فریدمن و MAE مورد تحلیل قرار گرفته اند. نتایج تجربی و آزمون‌ های آماری حاکی از آن است که الگوریتم I-GWO بسیار رقابتی بوده و اغلب در مقایسه با سایر الگوریتم ‌های مورد استفاده در آزمایشات از عملکرد بهتری برخوردار است. همچنین، نتایج بدست آمده از الگوریتم پیشنهادی در زمینه مسائل طراحی مهندسی، اثربخشی و کاربرد فزاینده آن را نشان می‌دهد.

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