دانلود شبیه سازی مقاله بهینه ساز عقاب طلایی: الگوریتم فراابتکاری الهام گرفته شده از طبیعت

پروژه متلب بهینه ساز عقاب طلایی

بهینه سازی، فرآیند یافتن وضعیت متغیرهای تصمیم/طراحی است که بهترین مقدار را برای توابع هدف منفرد یا چندگانه ارائه می دهد. روش‌های تحلیلی برای حل مسائل ریاضی پیش از دوره بهینه‌سازی اکتشافی، رویکرد غالب بوده اند. روش‌های تحلیلی علاوه بر اطلاعات اولیه در مورد مقدار تابع هدف و نقض محدودیت، بر اطلاعات مربوط به مشتقات توابع هدف واحد یا با محدودیت در قالب مشتقات مرتبه اول و دوم وابسته هستند. این اطلاعات اضافی آنها را قادر می سازد تا به طور موثر، بهینه دقیق را برای مسائل خطی یا غیر خطی محدب بیابند. با این حال، این مساله به دلیل آسیب‌پذیری در برابر تله گذاری محلی در زمینه مسائل پیچیده‌تری رخ می‌دهد- که بهینه‌های محلی زیادی دارد – و عدم دسترسی به فضای جستجوی تصادفی یا ناشناخته وجود دارد. علاوه بر این، رفتار تصادفی و فضای جستجوی ناشناخته از ویژگی های بارز مسائل دنیای واقعی محسوب می شوند. این امر همچنین به پیدایش الگوریتم های فراابتکاری منجر شد. ویژگی های قابل ملاحظه الگوریتم های فراابتکاری این است که آنها بدون مشتق هستند و نیازی به فرضیات محدود کننده ندارند. بنابراین می توان برای حل انواع مختلف مسائل به آسانی از آنها استفاده کرد.

این مقاله، یک الگوریتم فراابتکاری مبتنی بر ازدحام را با الهام از طبیعت برای حل مسائل بهینه سازی سراسری به نام بهینه ساز عقاب طلایی (GEO) ارائه می دهد. الهام‌بخش اصلی GEO، هوش عقاب‌های طلایی در تنظیم سرعت در مراحل مختلف مسیر مارپیچی آنها در زمینه شکار است. آنها در مراحل اولیه شکار، تمایل بیشتری را به گشت و گذار در اطراف و جستجوی طعمه نشان می دهد و در مراحل پایانی، تمایل بیشتری را برای حمله نشان می دهند. یک عقاب طلایی این دو جزء را تنظیم می کند تا در کمترین زمان ممکن در منطقه، بهترین طعمه ممکن را در بدست آورد. همچنین، این رفتار به صورت ریاضی برای برجسته کردن اکتشاف و بهره برداری برای یک روش بهینه سازی سراسری مدل سازی شده است. علاوه بر این، با استفاده از 33 تابع تست معیار و یک آزمون مقیاس پذیری، عملکرد الگوریتم پیشنهادی آزمایش و اثبات می شود. نتایج با نتایج شش الگوریتم معروف دیگر مورد مقایسه قرار گرفت که برتری GEO را نشان داد و همچنین نشان می دهد که می‌تواند بهینه سراسری را بیابد و به طور موثر از بهینه محلی اجتناب کند. بهینه ساز عقاب طلایی چند هدفه (MOGEO) نیز برای حل مسائل چند هدفه ارائه شده است. همچنین، عملکرد MOGEO بر روی ده تابع معیار چند هدفه آزمایش و تأیید می شود. علاوه بر این، نتایج بدست آمده با نتایج دو الگوریتم چندهدفه دیگر مورد مقایسه قرار گرفت که نشان داد می‌تواند پاسخ های بهینه پارتو واقعی را بهتر از دو الگوریتم دیگر برآورد کند. نرم افزار (جعبه ابزار) و کد منبع GEO و MOGEO نیز ارائه شده و در دسترس عموم قرار دارد.

این مقاله مربوط به سال 2021 بوده و شبیه سازی آن در نرم افزار متلب (MATLAB) انجام شده است. تعدادی از تصاویر مربوط به خروجی های شبیه سازی در ادامه قرار داده شده است: