دانلود شبیه سازی مقاله الگوریتم بهینه سازی شامپانزه

پروژه متلب الگوریتم شامپانزه

این مقاله بیس مربوط به سال 2020 بوده و با خرید این محصول می توانید به فایل های شبیه سازی آن دسترسی داشته باشید.

در این پروژه، یک بهینه ساز جدید با عنوان الگوریتم بهینه سازی شامپانزه (ChOA) پیشنهاد شده است. ChOA از هوش فردی و انگیزه های جنسیتی شامپانزه ها الهام گرفته شده است. ChOA، مسائل مربوط به نرخ همگرایی آهسته و به دام افتادن در بهینه محلی را کاهش می دهد. همچنین چهار مرحله از شکار شامپانزه نیز پیاده سازی شده است.

این پروژه یک الگوریتم فراابتکاری جدید با عنوان الگوریتم بهینه سازی شامپانزه (ChOA) را پیشنهاد داده که از هوش فردی و انگیزه های جنسیتی آنها در شکار گروهی الهام گرفته شده است؛ لازم به ذکر است که این مسائل با سایر شکارچیان اجتماعی متفاوت است. ChOA برای کاهش بیشتر دو مساله سرعت همگرایی آهسته و گیر کردن در بهینه محلی جهت حل مسائل ابعاد بالا طراحی شده است. در این پروژه، یک مدل ریاضیاتی از هوش متنوع و انگیزه جنسیتی شامپانزه ها نیز پیشنهاد شده است. در این راستا، چهار نوع از شامپانزه ها با نام های مهاجم، مانع، تعقیب کننده و محرک، برای شبیه سازی هوش متنوع، به کار گرفته شده اند. علاوه بر این، چهار مرحله اصلی شکار یعنی تحریک، تعقیب، مسدود کردن و حمله نیز پیاده سازی شده اند. الگوریتم ChOA پیشنهادی در سه فاز اصلی ارزیابی شده است. در مرحله اول، مجموعه ای از 30 تابع معیار ریاضیاتی برای بررسی مشخصه های مختلف ChOA استفاده شده است. درمرحله دوم، ChOA با استفاده از 13 مساله تست با ابعاد بالا تست شده است. نهایتا، 10 مساله بهینه سازی جهان واقعی جهت ارزیابی عملکرد ChOA مورد استفاده قرار گرفته شده است. نتایج به دست آمده، با چندین الگوریتم فراباتکاری پیشنهاد شده جدید نیز از نظر سرعت همگرایی، احتمال به دام افتادن در کمینه های محلی، و اکتشاف و بهره برداری، مقایسه شده است. همچنین، تست های آماری برای بررسی اهمیت نتایج به کار گرفته شده است. نتایج نشان می دهند که خروجی های ChOA بهتر از دیگر الگوریتم های بهینه سازی معیار هستند.

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