دانلود شبیه سازی مقاله الگوریتم بهینه سازی کرکس آفریقایی: الگوریتم فراابتکاری الهام گرفته شده از طبیعت

پروژه متلب الگوریتم کرکس آفریقایی

استفاده از الگوریتم های فرا ابتکاری برای حل مسائل جستجوی مختلف، بهینه سازی پیوسته و گسسته، رشد هنگفتی کرده است. بخاطر پیچیدگی مسائل بهینه سازی پیوسته و ناکارایی روش های ریاضیاتی در بدست آوردن جواب بهینه، الگوریتم های فرا ابتکاری، ابزاری مطمئن برای مسائل بهینه سازی پیوسته میباشند. برای حل بسیاری از مسائل علمی و مهندسی و پوشش دادن دامنه گسترده ای از مسائل مختلف، از روش های ریاضیاتی استفاده شده، اما روش های ریاضیاتی علیرغم دقتشان، همچنان در حل بسیاری از مسائل بهینه سازی، با مشکلاتی مواجه می شوند. تلاش ها و پژوهش های صورت گرفته در سالهای اخیر، منجر به توسعه الگوریتم های الهام گرفته از پدیده های طبیعی شده است. الگوریتم هایی که تکامل و رفتار طبیعی را در نظر می گیرند و در نتیجه باعث پیدایش الگوریتم های فرا ابتکاری شده است. علاوه بر الگوریتم های استخراج شده از طبیعت، الگوریتم فرا ابتکاری تکاملی دیگری برای مسائل بهینه سازی توصیه شده اند. بخاطر ناتوانی روش های بهینه سازی دقیق در حل مسائل پیچیده و چندبعدی، الگوریتم های تقریب برای حل چنین مسائلی به عنوان یک روش جدید پیشنهاد شده اند. الگوریتم های تقریب به دو دسته عمده مختلف، شامل روش های ابتکاری و فرا ابتکاری تقسیم می شوند. الگوریتم های ابتکاری کمتر مورد توجه قرار گرفته اند، که این بخاطر گیر افتادن در بهینه های محلی و حل مسائل بهینه سازی محدود است. الگوریتم های فرا ابتکاری، جواب های بهینه ای برای انواع مسائل بهینه سازی چالش برانگیز و پیچیده پیدا می کنند. الگوریتم های فرا ابتکاری، جواب های قابل قبول و معقولی پیدا می کنند اما جواب بهینه را تضمین نمی کنند.

روش های فرا ابتکاری، نقش بسزایی در حل مسائل بهینه سازی ایفا می کنند. اکثریت چنین الگوریتم هایی از نبوغ جمعی و خوراک یابی مخلوقات الهام گرفته شده اند. در این پروژه، یک روش فرا ابتکاری جدید الهام گرفته از سبک زندگی کرکس های آفریقایی، الهام گرفته است. این الگوریتم، «الگوریتم بهینه سازی کرکس های آفریقایی» (AVOA)  نامیده می شود و رفتارهای خورک یابی و اکتشافی آنها را شبیه سازی می کند. برای بررسی عملکرد AVOA، ابتدا برروی 36 تابع معیار استاندارد، تست می شود. سپس یک مطالعه مقایسه ای انجام می شود که برتری الگوریتم پیشنهادی نسبت به چندین الگوریتم موجود، را اثبات می کند. برای نشان دادن کاربردی بودن AVOA و ماهیت جعبه سیاه آن، برای یافتن جواب های بهینه، هفت مسئله طراحی مهندسی بکار گرفته می شود. طبق نتایج تجربی، AVOA، برروی 30 عدد از 36 تابع معیار، بهترین الگوریتم است و عملکرد عالی برروی اکثر مطالعات موردی مهندسی فراهم می کند. برای ارزیابی آماری از تست حاصلجمع رتبه های ویلکوکسون استفاده شد، و برتری معنادار الگوریتم AVOA، در یک بازه اطمینان 95% مشاهده شد.

این مقاله مربوط به سال 2021 بوده و شبیه سازی آن نیز در محیط نرم افزار متلب (MATLAB) انجام شده است و در ادامه نیز تصویر مربوط به خروجی شبیه سازی قرار داده شده است: