ارزیابی و مقایسه ی عملکرد الگوریتم علی‌بابا و چهل دزد با برخی الگوریتم‌های فراابتکاری

الموضوعات : New technologies in distributed systems and algorithmic computing

فاطمه دلبری ¹ , علی اکبر نقابی ² , جلال ایزی ³

1 - گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد سبزوار، سبزوار، ایران
2 - گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران
3 - گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد سبزوار، سبزوار، ایران

تاريخ الإرسال : 27 الجمعة , جمادى الأولى, 1446 تاريخ التأكيد : 23 الأحد , رمضان, 1446 تاريخ الإصدار : 11 السبت , ذو الحجة, 1446

الکلمات المفتاحية: الگوریتم علی‌بابا و چهل دزد, الگوریتم‌های فراابتکاری, الگوریتم شاهین هریس, الگوریتم کرکس آفریقایی,

ملخص المقالة :

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.

 

TRANSLATE with x

English

Arabic	Hebrew	Polish
Bulgarian	Hindi	Portuguese
Catalan	Hmong Daw	Romanian
Chinese Simplified	Hungarian	Russian
Chinese Traditional	Indonesian	Slovak
Czech	Italian	Slovenian
Danish	Japanese	Spanish
Dutch	Klingon	Swedish
English	Korean	Thai
Estonian	Latvian	Turkish
Finnish	Lithuanian	Ukrainian
French	Malay	Urdu
German	Maltese	Vietnamese
Greek	Norwegian	Welsh
Haitian Creole	Persian

 

TRANSLATE with

COPY THE URL BELOW

Back

EMBED THE SNIPPET BELOW IN YOUR SITE

Enable collaborative features and customize widget: Bing Webmaster Portal

Back

المصادر:

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.