مقاله با عنوان:Lion Optimization Algorithm (LOA): A nature-inspired metaheuristic algorithm از اينجا دانلود كنيد

عنوان مقاله به فارسى:الگوریتم بهینه سازی لیون ( شیر ) (LOA) : یک الگوریتم فرا ذهنی‌ بر گرفته از طبیعت

پشتیبانی : دارد. در صورت هر گونه بروز مشکل با شماره تلفن09191732587 يا 09367938018 یا آی دی تلگرام@research_moghimi تماس حاصل فرماييد.

کیفیت محصول :عالى

قيمت:14000 تومان

کل ترجمه این مقاله حدود 15 صفحه می باشد که سه بخش مقدمه و چکیده و نتیجه گیری در ادامه قابل مشاهده می باشد.

قسمتى از ترجمه محصول:

چکیده

 در خلال دهه قبل، حل نمودن مسائل بهینه سازی پیچیده با الگوریتم‌های فرا ذهنی‌ توجه قابل ملاحظه‌ای در میا‌‌ن متخصصین و پژوهشگران کسب نموده است.از این رو، بسیاری از الگوریتم‌های فرا ذهنی‌ در طی سال‌های اخیر توسعه یافته اند. بسیاری از این الگوریتم‌ها از پدیده‌های متعدد طبیعی الهام گرفته اند. در این مقاله، یک الگوریتم مبتنی‌ بر جمعیت جدید، (LOA) معرفی‌ میگردد. روش خاص زندگی‌ شیر‌ها و مشخّصه‌های همکاری آنها انگیزه اصلی‌ برای توسعه این الگوریتم بهینه سازی بوده است. برخی‌ از مسائل معیاری ( بنچ مارک) از ادبیات تحقیق انتخاب شده اند، و راه الگوریتم‌های پیشنهادی با راه حل‌های جدید‌ترین الگوریتم‌های فرا ذهنی‌ و شناخته شده برای این سبک مسائل مقایسه شده است. نتایج به دست آمده عملکرد سطح بالای الگوریتم پیشنهادی در مقایسه با سایر الگوریتم‌های استفاده شده در این مقاله را تایید مینماید.

مقدمه 

بسیاری از مسائل بهینه سازی مهندسی‌ معمولا به سختی حل میشوند، و برنامه‌های کاربردی بسیاری میبایست با این مسائل پیچیده سر و کار داشته باشند.

در این مسائل، فضای جستجو به صورت نمایی‌ با اندازه مساله رشد مینماید. از این رو، روش‌های بهینه سازی سنتی‌ یک راه حل مناسب برای آنها فراهم نمیسازند. از این رو، در طی دهه‌های اخیر، بسیاری از الگوریتم‌های فرا ذهنی‌ به منظور حل چنین مسائلی‌ طراحی شده اند. پژوهشگران عملکرد مناسبی از الگوریتم‌های فرا ذهنی در دامنه گسترده‌ای از مسائل پیچیده همچون مسائل زمان بندی ، خوشه بندی داده‌ها ، پردازش تصویر و ویدیو ، تنظیم شبکه‌های عصبی و تشخیص الگو نشان داده اند. برای سال ها، انسان از راهنمای طبیعت در یافتن راه حل مناسب برای مسائل استفاده کرده است. از این رو، در خلال دهه‌های اخیر ، تلاش رو به رشدی در توسعه الگوریتم‌های الهام گرفته شده از طبیعت وجود داشته است. به عنوان مثال، الگوریتم ژنتیک توسط هلند (Holland) پیشنهاد گردید، و مفاهیم تکامل داروین را شبیه سازی نمود. سیستم‌های ایمنی مصنوعی ، سیستم‌های ایمنی بیولوژیکی را برای بهینه سازی شبیه سازی نمودند.  بهینه سازی کلونی مورچه‌ها از رفتار و تلاش مورچه‌ها برای غذا الهام می‌گیرد. بهینه سازی ازدحام ذرات رفتار اجتماعی دسته  پردندگان مهاجر را که برای رسیدن به یک مقصد نامشخص تلاش میکنند ، شبیه سازی مینماید.

الگوریتم بهینه سازی ازدواج زنبور عسل  و شبیه سازی فرایند‌های تولید مثل در زنبور عسل () توسط عباس پیشنهاد گردید،

الگوریتم تلاش باکتریایی ، جستجو و تلاش بهینه باکتری را شبیه سازی می‌کند. الگوریتم پرش در هم آمیخته قورباغه‌ ، از جمعیت قورباغه‌ي که در جستجوی غذا هستند الهام می‌گیرد. الگوریتم ازدحام گربه بر مبنای رفتار گربه‌ها ایجاد گردید. بهینه سازی هجوم علف توسط محرابیان و لوکاس پیشنهاد گردید و رفتار اکولوژیکی تشکیل علف را شبیه سازی می‌کند. جستجوی میمون یک میمون را در جستجوی منابع غذایی‌ شبیه سازی می‌کند. الگوریتم جریان آب مانند به واسطه جریان آب از سطوح بالاتر به پایین تر الهام پذیرفت. الگوریتم بهینه سازی مبتنی‌ بر جغرافی توسط سیمون معرفی‌ گردید، و از جغرافیای زیستی‌ که به مطالعه ارگانیسم‌های بیولوژیکی به لحاظ توزیع جغرافیایی ارجاع میگردد، الهام می‌پذیرد. جستجوی مدرسه ماهی‌ بر مبنای رفتار گروهی ماهی‌ اقیانوسی پیشنهاد گردید. جستجوی فاخته و الگوریتم بهینه سازی فاخته بر مبنای استراتژی تولید مثل فاخته‌ها پیشنهاد شده است. الگوریتم الهام گرفته از خفاش به واسطه رفتار پژواک‌ مکان یابی‌ خفاش‌ها الهام پذیرفت. الگوریتم کرم شب‌تاب رفتار اجتماعی کرم‌های شب‌تاب را بر مبنای مشخصه‌های درخشان بودنشان شبیه سازی مینماید.  بهینه سازی شریک دلفین و الگوریتم پژواک‌ مکان یابی‌ دلفین به واسطه رفتار دلفین‌ها الهام پذیرفت. الگوریتم گرده افشانی گل مشخصه گرده افشانی ول و سازگاری مربوط به گل با برخی‌ حشرات گرده افشان را شبیه سازی مینماید

گلّه کریل [۴۲] از رفتار گلّه‌ای تک تک کریل‌ها الهام می‌گیرد.  جستجوی گرگ از رفتار گرگها نشأت می‌گیرد. الگروریتم چرخه آب بر مبنای مشاهده فرایند چرخه آب و این که چگونه رودخانه و مسیل‌ها در دنیای واقعی‌ به دریا وارد میگردند. بهینه سازی عنکبوت اجتماعی ، که از رفتار یک نوع عنکبوت الهام گرفته است، اخیرا پیشنهاد شده است. الگوریتم بهینه سازی جنگل از تعدادی درخت در جنگل‌هایی‌ که برای سالها باقی‌ مانده بودند الهام گرفت، در حالی‌ که سایر درختان مدت زمان اندکی‌ زنده میماندند.

الگوریتم‌های فوق الذکر به صورت گسترده‌ای توسط پژوهشگران در حیطه‌های متفاوت استفاده شده اند. با این وجود، هیچ گونه الگوریتم خاصی‌ برای بهره‌وری از مناسب‌ترین راه حل برای تمامی مسائل بهینه سازی وجود ندارد. برخی‌ از الگوریتم‌ها راه حل بهتری برای برخی‌ از مسائل در مقایسه با سایر راه حل‌ها فراهم میکنند. از این رو ، پیگیری تکنیک‌های بهینه سازی جدید یک مساله باز است.

در این مقاله، یک الگوریتم بهینه سازی بر مبنای رفتار شیر و سازمان اجتماعی ، به نام الگوریتم بهینه سازی شیر (LOA) معرفی‌ میگردد. در بخش ادبیات تحقیق ،وانگ و رجکومار دو الگوریتم که از تعدادی از ویژگی‌‌های شیر الهام گرفته بودند پیشنهاد نمودند. راجاکومار عملگر عمده الگوریتم بهینه سازی شیر را تحت عنوان ” جفتگیری که به دست آوردن راه حل‌های جدید ارجاع میگردد و دفاع قلمرو و سلطه قلمروی هدف یافتن و جایگزینی بدترین راه حل با جدیدترین و بهترین راه حل را دارند.”

همانند الگوریتم شیر،  بهینه ساز غرور شیر بر مبنای جنگ بین تک بودن و جفتگیری است. ولی‌ شیر‌ها علاوه بر جفت گیری و نزاع ، سایر رفتار‌هایی‌ همچون نحوه ویژه به چنگ آوردن شکار ، ساخت قلمرو، مهاجرت، تفاوت بین روش زندگی‌ شیرهای صحرا نشین و مقیم را نشان میدهند. بدین ترتیب، الگوریتم پیشنهادی از شبیه سازی رفتار‌های مشارکتی و منزویانه شیر‌ها الهام می‌گیرد که کاملا متفاوت از الگوریتم قبلی‌ میباشد.

پس از این معرفی‌ ، باقی‌ این مقاله به صورت مقابل ساختار یافته است : در بخش ۲ الگوریتم بهینه سازی شیر پیشنهادی (LOA) مشخص میگردد، و مراحل پیاده سازی به تفصیل شرح داده میشود. مطالعه مقایسه‌ای و نتایج تجربی‌ در بخش ۳ نمایش داده میشود تا کارایی‌ الگوریتم پیشنهادی تایید گردد. نهایتاً، نتیجه گیری‌ها در آخرین بخش ارائه میگردند.

. نتایج آزمایشی‌

به منظور ارزیابی عملکرد الگوریتم بهینه سازی شیر،  مجموعه منسجم از ۳۰ تابع بنچ مارک (معیار)رقابت (CEC) ۲۰۱۴ در زمینه بهینه سازی عددی پارامتر حقیقی‌ تک هدفه از [۶۲] انتخاب شده اند. این توابع در جدول ۱ داده شده اند.

جدول 1 : توابع آزمون استفاده شده در مطالعه تجربی

جدول۲ . مقادیر پارامتر‌های الگوریتم‌های مقایسه شده

جدول3. نتیجه مقایسه توابع معیار تک مدی.

جدول 4. نتیجه مقایسه عملکرد توابع معیار

جدول 5. نتایج مقایسه توابع ترکیبی

تعریفات دقیق توابع در [۶۲] یافته میشوند. الگوریتم (LOA) پیشنهاد شده با شش روش معروف جدید فرا ذهنی‌ مقایسه میگردد.الگوریتم (IWO) ( بهینه سازی علف مهاجم ) ، (BBO ، (GSA) ، (HuS) ، (BA) و (WWO) . نتایج در بخش ۳.۱ داده شده اند. تنظیمات پارامتر توصیه شده شش الگوریتم اول همانند [۶۵] میباشد.

در تمامی موارد، اندازه جمعیت برابر ۵۰ میباشد. بعد ۳۰ میباشد.و حداکثر تعداد ارزیابی تابع به عنوان شرط توقف تنظیم میگردد؛ ارزیابی‌های تابع ۱۵۰،۰۰۰ برای تمامی خواهد بود. پارامتر‌های الگوریتم پیشنهادی به واسطه روش (RSM) تنظیم میگردند.

نتایج ، در ۶۰ اجرا ، در جدول ۳ گزارش شده اند. شاخص‌های عملکرد در جداول گزارش شده اند: بهترین عملکرد در ۶۰ اجرا ، “حداکثر ” و “حداقل ” به ترتیب نشان دهنده مقادیر انتخاب حداکثر و حداقل الگوریتم میباشد. “میانه نشان دهنده میانه مقادیر انطباق نتیجه میباشد، “” نشان دهنده انحراف استاندارد میباشد.

مطابق جدول ۳، الگوریتم (LOA) نتایج بهتری را به نسبت سایر الگوریتم‌ها در تمامی ضوابط فراهم می‌کند.

الگوریتم (LOA) بهترین مقدار مینیمم را بر (f1) به دست آورده و مقدار مناسب دوم را برای سایر ضوابط در این تابع کسب می‌کند. همچنین ، الگوریتم (LO) بهترین مقادیر حداکثر و حداقل را بر (F2) میابد. برای نتیجه گیری، الگوریتم (LOA) قادر به حل نمودن موثر چنین مسائلی‌ به شکل موثر میباشد.

در گروه چند شرطی دوم از ۱۳ تابع ، به دلیل تعداد زیاد بهینه محلی، یافتن راه حل مناسب و فرار از بهینه محلی بسیار سخت میباشد. ولی‌ ، مطابق جدول ۴، الگوریتم (LOA) عملکرد قابل توجهی‌ نشان داده، و نتایج بسیار بهتری را نسبت به سایر الگوریتم‌ها در این توابع میابد.

در سومین گروه ترکیبی‌ از شش تابع، متغیر‌ها به صورت تصادفی‌ به چند زیر مولفه تقسیم شده و سپس توابع پایه متفاوت برای زیر مولفه‌های متفاوت به کار میروند، که منجر به کاهش عملکرد قابل توجه الگوریتم‌ها میگردد.  همانطور که در جدول ۵ دیده میشود، عملکرد کلی‌ الگوریتم (LOA) به شکل قابل توجهی‌ متفاوت از سایر الگوریتم‌ها در این نوع از توابع میباشد ، و تقریبا در تمامی توابع ، نتایج آن بسیار بهتر از سایر الگوریتم‌ها میباشد.

در گروه ترکیبی‌ چهارم از هشت تابع،  الگوریتم (LOA) در اغلب توابع در رده اول قرار دارد. (جدول ۶)

با این وجود، میبایست ذکر گردد که عملکرد الگوریتم (LOA) در (f24)، (f28)، (f29) اندکی‌ ضعف است. به صورت خلاصه، عملکرد کلی‌ الگوریتم (LO) در میا‌‌ن پنج الگوریتم مقایسه‌ای در دنباله بنچمارک ( معیار) از جمله تک شرطی، چند شرطی، ترکیبی‌ و توابع ترکیبی‌ بهترین است.

۴. نتیجه گیری

طعی دهه‌های اخیر ،الگوریتم‌های بهینه سازی فرا ذهنی‌ متعددی ایجاد شده اند. بسیاری از این الگورتیم‌ها از پدیده‌های طبیعی الهام گرفته اند. در این مطالعه، یک الگوریتم جدید به نام الگوریتم بهینه سازی شیر معرفی‌ گردید. ()

این الگوریتم بر مبنای رفتار مشارکتی و منحصر شیر‌ها همچون مهاجرت، شکار و غیره شکل گرفته است.به منظور ارزیابی این الگوریتم از توابع متعدد معیار ( بنچمارک ) استفاده نمودیم.

Abstract

During the past decade, solving complex optimization problems with metaheuristic algorithms has received considerable attention among practitioners and researchers. Hence, many metaheuristic algorithms have been developed over the last years. Many of these algorithms are inspired by various phenomena of nature. In this paper, a new population based algorithm, the Lion Optimizatio Algorithm (LOA), is introduced. Special lifestyle of lions and their cooperation characteristics has been the basic motivation for development of this optimization algorithm. Some benchmark problems are selected from the literature, and the solution of the proposed algorithm has been compared with those of some well-known and newest meta-heuristics for these problems. The obtained results confirm the high performance of the proposed algorithm in comparison to the other algorithms used in this paper.