بررسی عملکرد الگوریتم علی‌بابا و چهل دزد با برخی الگوریتم‌های فراابتکاری
محورهای موضوعی : فناوری های نوین در سیستم های توزیع شده و محاسبات الگوریتمیفاطمه دلبری 1 , علی اکبر نقابی 2 * , جلال ایزی 3
1 - دانشجو دکتری، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد سبزوار، سبزوار، ایران
2 - گروه مهندسی کامپیوتر، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران
3 - دانشجو دکتری، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد سبزوار، سبزوار، ایران
کلید واژه: الگوریتم علی‌بابا و چهل دزد, الگوریتم‌های فراابتکاری, الگوریتم شاهین هریس, الگوریتم کرکس آفریقایی,
چکیده مقاله :
طبیعت همیشه الگویی مناسب برای انسان‌ها بوده است تا محققان بتوانند با الگوبرداری از ساختار بدن و مدل حرکت حیوانات و رفتارهای زیستی موجودات، الگوریتم‌هایی را به وجود آورند که الهام گرفته از آن‌ها بوده و برای بهینه‌سازی و حل مسائل پیچیده به‌کاربرده شوند. الگوریتم علی‌بابا و چهل دزد یکی از الگوریتم‌های فراابتکاری است که از داستان علی‌بابا و چهل دزد الهام گرفته‌شده است. در این الگوریتم، شهری که داستان در آن اتفاق می‌افتد به‌عنوان فضای جستجو در نظر گرفته‌شده و دزدها به‌عنوان عامل‌های جستجو عمل می‌کنند. همچنین، علی‌بابا به‌عنوان هدف و پاسخ بهینه مسئله در نظر گرفته‌شده است. باتوجه‌به گستردگی الگوریتم‌های فراابتکاری و نیز کاربرد وسیع آن‌ها در حوزه‌های مختلف، بررسی عملکرد چنین الگوریتم‌هایی لازم به نظر می‌رسد. پژوهش حاضر قصد دارد عملکرد الگوریتم چهل دزد و علی‌بابا را با هفت الگوریتم دیگر شامل الگوریتم‌های گله‌اسب، شاهین هریس، کرکس آفریقایی، شیرمورچه، خفاش، کرم شب‌تاب و الگوریتم نهنگ مقایسه نماید. برای ارزیابی عملکرد الگوریتم‌های انتخابی از مجموعه توابع استاندارد CEC 2017 استفاده‌شده و همچنین برای مقایسه عملکرد از سه معیار بهترین پاسخ، انحراف معیار و میانگین زمان اجرا استفاده‌شده است. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم کرکس آفریقایی و شاهین هریس به‌طور قابل‌توجهی در مقایسه با الگوریتم چهل دزد و علی‌بابا و همچنین در قیاس با سایر الگوریتم‌ها در اکثر توابع عملکرد بهتری داشته اند. همچنین، بطور معمول این الگوریتم عملکرد بهتری از الگوریتم های شیرمورچه، خفاش و کرم شب تاب داشته است.
Nature has always been a suitable model for humans so that researchers can model the body structure and movement model of animals and biological behaviors of creatures, creating algorithms that are inspired by them and can be used to optimize and solve complex problems. The Alibaba and Forty Thieves algorithm is one of the meta-heuristic algorithms that is inspired by the story of Alibaba and the Forty Thieves. In this algorithm, the city where the story takes place is considered as the search space and the thieves act as the search agents. Also, Alibaba is considered as the target and optimal answer to the problem. Given the breadth of meta-heuristic algorithms and their wide application in various fields, it seems necessary to investigate the performance of such algorithms. This paper aims to compare the performance of the Forty Thieves and Alibaba algorithm with seven other algorithms including the Herd of Horses, Harris's Hawk, African Vulture, Ant Lion, Bat, Firefly, and Whale optimization algorithms. The CEC 2017 standard function set and three criteria such as best solution, standard deviation, and average execution time have been used to evaluate the selected algorithms' performance. The simulation results indicate that the African Vulture and Harris's Hawk algorithms performed significantly better than the Forty Thieves and Alibaba algorithm, as well as other algorithms, in most functions. Overall, the performance of the Forty Thieves and Alibaba algorithm is better than that of the Ant Lion, Bat, and Firefly algorithms.
1. Zhang, Y., S. Wang, and G. Ji, A comprehensive survey on particle swarm optimization algorithm and its applications. Mathematical problems in engineering, 2015. 2015(1): p. 931256.
2. Gamarra, C. and J.M. Guerrero, Computational optimization techniques applied to microgrids planning: A review. Renewable and Sustainable Energy Reviews, 2015. 48: p. 413-424.
3. SS, V.C. and A. HS, Nature inspired meta heuristic algorithms for optimization problems. Computing, 2022. 104(2): p. 251-269.
4. Odili, J.B., The dawn of metaheuristic algorithms. International Journal of Software Engineering and Computer Systems, 2018. 4(2): p. 49-61.
5. Slowik, A. and H. Kwasnicka, Nature inspired methods and their industry applications—Swarm intelligence algorithms. IEEE Transactions on Industrial Informatics, 2017. 14(3): p. 1004-1015.
6. Braik, M., M.H. Ryalat, and H. Al-Zoubi, A novel meta-heuristic algorithm for solving numerical optimization problems: Ali Baba and the forty thieves. Neural Computing and Applications, 2022. 34(1): p. 409-455.
7. Abualigah, L., et al., Meta-heuristic optimization algorithms for solving real-world mechanical engineering design problems: a comprehensive survey, applications, comparative analysis, and results. Neural Computing and Applications, 2022: p. 1-30.
8. Mirjalili, S., Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm. Knowledge-based systems, 2015. 89: p. 228-249.
9. Zolghadr-Asli, B., O. Bozorg-Haddad, and X. Chu, Crow search algorithm (CSA). Advanced optimization by nature-inspired algorithms, 2018: p. 143-149.
10. Mirjalili, S., S.M. Mirjalili, and A. Lewis, Grey wolf optimizer. Advances in engineering software, 2014. 69: p. 46-61.
11. Thrift, P.R. Fuzzy Logic Synthesis with Genetic Algorithms. in ICGA. 1991.
12. Dorigo, M., M. Birattari, and T. Stutzle, Ant colony optimization. IEEE computational intelligence magazine, 2006. 1(4): p. 28-39.
13. Kennedy, J. and R. Eberhart. Particle swarm optimization. in Proceedings of ICNN'95-international conference on neural networks. 1995. ieee.
14. Rashedi, E., H. Nezamabadi-Pour, and S. Saryazdi, GSA: a gravitational search algorithm. Information sciences, 2009. 179(13): p. 2232-2248.
15. Mirjalili, S. and S. Mirjalili, Genetic algorithm. Evolutionary algorithms and neural networks: theory and applications, 2019: p. 43-55.
16. Price, K., R.M. Storn, and J.A. Lampinen, Differential evolution: a practical approach to global optimization. 2006: Springer Science & Business Media.
17. MiarNaeimi, F., G. Azizyan, and M. Rashki, Horse herd optimization algorithm: A nature-inspired algorithm for high-dimensional optimization problems. Knowledge-Based Systems, 2021. 213: p. 106711.
18. Heidari, A.A., et al., Harris hawks optimization: Algorithm and applications. Future generation computer systems, 2019. 97: p. 849-872.
19. Abdollahzadeh, B., F.S. Gharehchopogh, and S. Mirjalili, African vultures optimization algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems. Computers & Industrial Engineering, 2021. 158: p. 107408.
20. Mirjalili, S., The ant lion optimizer. Advances in engineering software, 2015. 83: p. 80-98.
21. Bangyal, W.H., J. Ahmad, and H.T. Rauf, Optimization of neural network using improved bat algorithm for data classification. Journal of Medical Imaging and Health Informatics, 2019. 9(4): p. 670-681.
22. Yang, X.-S. and X. He, Firefly algorithm: recent advances and applications. International journal of swarm intelligence, 2013. 1(1): p. 36-50.
23. Mirjalili, S. and A. Lewis, The whale optimization algorithm. Advances in engineering software, 2016. 95: p. 51-67.
24. Singh, A. and A. Kumar, Applications of nature-inspired meta-heuristic algorithms: A survey. International Journal of Advanced Intelligence Paradigms, 2021. 20(3-4): p. 388-417.
25. Luan, J., et al., A novel method to solve supplier selection problem: Hybrid algorithm of genetic algorithm and ant colony optimization. Mathematics and Computers in Simulation, 2019. 156: p. 294-309.
26. Rodríguez, N., et al., Optimization algorithms combining (meta) heuristics and mathematical programming and its application in engineering. 2018.
27. Mirjalili, S., et al., Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems. Advances in engineering software, 2017. 114: p. 163-191.
28. Alabool, H.M., et al., Harris hawks optimization: a comprehensive review of recent variants and applications. Neural computing and applications, 2021. 33: p. 8939-8980.
29. Kamboj, V.K., et al., An intensify Harris Hawks optimizer for numerical and engineering optimization problems. Applied Soft Computing, 2020. 89: p. 106018.
30. Fan, J., Y. Li, and T. Wang, An improved African vultures optimization algorithm based on tent chaotic mapping and time-varying mechanism. Plos one, 2021. 16(11): p. e0260725.
31. Liu, R., et al., Improved African vulture optimization algorithm based on quasi-oppositional differential evolution operator. IEEE Access, 2022. 10: p. 95197-95218.
32. Awadallah, M.A., et al., Binary Horse herd optimization algorithm with crossover operators for feature selection. Computers in biology and medicine, 2022. 141: p. 105152.
33. Hosseinalipour, A. and R. Ghanbarzadeh, A novel approach for spam detection using horse herd optimization algorithm. Neural Computing and Applications, 2022. 34(15): p. 13091-13105.
34. Abualigah, L., et al., Ant lion optimizer: a comprehensive survey of its variants and applications. Archives of Computational Methods in Engineering, 2021. 28: p. 1397-1416.
35. Mohamed, A.W., et al., Evaluating the performance of meta-heuristic algorithms on CEC 2021 benchmark problems. Neural Computing and Applications, 2023. 35(2): p. 1493-1517.
36. Khodadadi, N., et al., A comparison performance analysis of eight meta-heuristic algorithms for optimal design of truss structures with static constraints. Decision Analytics Journal, 2023. 8: p. 100266.
37. Gürgen, S., et al., A comprehensive performance analysis of meta-heuristic optimization techniques for effective organic rankine cycle design. Applied Thermal Engineering, 2022. 213: p. 118687.
38. Khari, M., et al., Performance analysis of six meta-heuristic algorithms over automated test suite generation for path coverage-based optimization. Soft Computing, 2020. 24(12): p. 9143-9160.