دانلود شبیه سازی مقاله الگوریتم مرغ مگس خوار مصنوعی: بهینه ساز الهام گرفته شده از طبیعت

پروژه متلب بهینه ساز مرغ مگس خوار مصنوعی

در این مقاله برای حل مسائل بهینه سازی، یک الگوریتم بهینه سازی جدید الهام گرفته شده از طبیعت تحت عنوان الگوریتم مرغ مگس خوار مصنوعی (AHA) ارائه شده است. علاوه بر این، الگوریتم AHA از قابلیت شبیه سازی مهارت های ویژه پرواز و استراتژی های جستجوی هوشمندانه مرغ مگس خوار در طبیعت برخوردار است. همچنین، در زمینه استراتژی های جستجوی غذا، سه نوع از مهارت های پرواز نظیر پروازهای محوری، مورب و تمام جهته مدلسازی شده است. علاوه بر این، علوفه یابی هدایت شده، علوفه یابی محلی، و جستجوی مهاجرت پیاده سازی شده و جدول بازدید برای مدلسازی عملکرد حافظه مرغ مگس خوار برای منابع غذایی ایجاد می شود. همچنین، با استفاده از دو مجموعه از توابع تست عددی، AHA اعتبار سنجی شده و نتایج موجود با نتایج حاصل از الگوریتم های مختلف مورد مقایسه قرار می گیرند. مقایسات انجام شده نشان می دهد که AHA در مقایسه با سایر الگوریتم های فراابتکاری رقابتی تر بوده و راه حل هایی با کیفیت بالا و پارامترهای کمتر کنترلی را تعیین می کند. همچنین، در ده مطالعه موردی طراحی مهندسی چالش برانگیز، عملکرد AHA مورد اعتبارسنجی قرار گرفته و تائید شده است. نتایج بدست آمده، در مقایسه با تکنیک‌های بهینه‌سازی موجود در مقالات حاکی از اثربخشی برتر AHA از نظر بار محاسباتی و دقت راه‌حل است. همچنین این پروژه، کاربرد AHA را در طراحی عملیات برق آبی برای نشان دادن بیشتر پتانسیل آن در عمل مورد بررسی قرار می دهد.

در طی چندین دهه گذشته، برای رفع مسائل بهینه سازی مختلف، رویکردهای بهینه سازی متعددی طراحی شده است. با این وجود، توسعه جامعه انسانی و فرآیندهای صنعت مدرن در سال‌های اخیر، به طور قابل ملاحظه‌ای به پیچیدگی مسائل بهینه‌سازی در دنیای واقعی منجر شده است و چالش های قابل توجهی را برای تکنیک‌های بهینه‌سازی ایجاد می‌کند. به طور کلی، تکنیک‌های بهینه‌سازی موجود به الگوریتم‌های قطعی و فراابتکاری طبقه بندی می شوند. الگوریتم های قطعی، توابع ریاضی خاصی هستند و بدون هیچ گونه ماهیت تصادفی به صورت مکانیکی و تکراری عمل می کنند. در یک مسئله معین، یک روش قطعی همواره خروجی یکسانی را برای یک ورودی خاص ارائه می دهد. شیب نزول و روش های نیوتن دو نمونه کلاسیک از الگوریتم های قطعی می باشند. با وجود اینکه چنین الگوریتم ‌هایی می‌توانند به طور موثر بهینه محلی را در حل برخی مسائل غیرخطی بیابند، اما ممکن است به اطلاعات مشتق مسائل نیاز داشته باشند و در راه‌حل‌های بهینه محلی به دام بیفتند. از اینرو، این روش‌ها هنگام برخورد با مسائل بسیار محدود و پیچیده با پیک‌های متعدد، به صورت ضعیف عمل می کنند.

این مقاله مربوط به سال 2022 می باشد و شبیه سازی آن در محیط نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تصویر مربوط به خروجی شبیه سازی قرار داده شده است: