دانلود شبیه سازی مقاله الگوریتم فراابتکاری بهینه سازی بازی آشوب

پروژه متلب الگوریتم بازی آشوب

اکثر مسائل طراحی مربوط به طبیعت را می توان به عنوان مسائل بهینه سازی در نظر گرفت که نیاز به تعدادی تکنیک ها و الگوریتم های بهینه سازی صحیح برای حل شان هست. امروزه، مسائل طراحی بیش از پیش، پیچیده شده اند به نحوی که الگوریتم های بهینه سازی کلاسیک براساس اصول ریاضیاتی قادر به ارائه نتایج رضایت بخش در یک مدت زمان معقول نیستند. الگوریتم های مبتنی بر گرادیان، که از گرادیان تابع هدف برای پیکربندی مسئله بهینه سازی استفاده می کنند، یکی از این الگوریتم های ریاضیاتی است. در چند دهه گذشته، رفع کمبودها و نواقص الگوریتم های بهینه سازی کلاسیک و معرفی الگوریتم های بهینه سازی کارآمد جدید، یکی از نگرانی های مهم بود. بخاطر پیشرفت های اخیر فنآوری، توجه بیش از پیش به معرفی الگوریتم های بهینه سازی جدید بوجود آمد که بازده بالا، دقت زیاد و سرعت بیشتر در حل مسائل بهینه سازی دشوار را فراهم می کنند. علاوه بر آن، تعدادی نگرانی دیگر در مورد کار با مسائل خاص دیگر مانند مسائل بهینه سازی محلی همراه با غیرهموار بودن و غیرمحدب بودن فضاهای جستجو، از این نظر از اهمیت فراوانی برخوردار شده اند.

در این مقاله، یک الگوریتم ابتکاری نوین به نام «بهینه سازی بازی آشفته» (CGO) برای حل مسائل بهینه سازی ابداع شده است. مفهوم اصلی الگوریتم CGO براساس تعدادی از اصول نظریه آشوب است که در آن آرایش فراکتال ها بوسیله مفهوم بازی آشفته و مسائل «خود مشابهت» فراکتال ها، در نظر هستند. در مجموع 239 تابع ریاضیاتی که در چهار گروه مختلف طبقه بندی می شوند، برای ارزیابی عملکرد کلی الگوریتم نوین ارائه شده، گردآوری می شوند. برای ارزیابی نتایج الگوریتم CGO، سه تحلیل مقایسه ای با مشخصه های مختلف انجام می شوند. در مرحله اول، شش الگوریتم فرا ابتکاری مختلف، از مجموعه مقالات انتخاب می شوند، درحالی که مقادیر حداقل، میانگین و انحراف معیار همراه با تعداد اجرای تابع برای CGO و این الگوریتم ها، محاسبه و مقایسه می شوند. یک تحلیل آماری کامل نیز انجام می شود تا یک قضاوت معتبر در مورد عملکرد الگوریتم CGO، حاصل شود. در مرحله دوم، نتایج الگوریتم CGO با تعدادی از الگوریتم های مبتنی بر فراکتال و مبتنی بر آشوب اخیراً مطرح شده، مقایسه می شوند. در آخر، عملکرد الگوریتم CGO با تعدادی الگوریتم نوین در کار با توابع ریاضیاتی نوین مقایسه می شود و یکی از جدیدترین رقابت ها در مورد بهینه سازی عددی پارامتر حقیقی تک هدفی به نام «CEC 2017» به عنوان مثالهای عددی برای این هدف مدنظر قرار می گیرند. علاوه بر آن، یک تحلیل هزینه محاسباتی نیز برای الگوریتم ارائه شده انجام می شوند. نتایج بدست آمده ثابت کردند که CGO، در مقایسه با دیگر روش های ابتکاری در اکثر موارد، برتر می باشد.

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