دانلود ترجمه مقاله یک الگوریتم جلبک مصنوعی با رفتار نشانه ورزی جهت بهینه سازی

1. مقدمه 2. الگوریتم جلبک مصنوعی پایه 3. روش پیشنهادی 3.1. روش بروز رسانی 1: الگوریتم جلبک مصنوعی باینری بر پایه ی XOR 3.2. روش بروز رسانی 2: رفتار نشانه ورزی 4. آزمایشات 4.1. موارد تجربی 4.2. مقایسات در UFLPs 4.3. مقایسه ی مسائل معیار عددی 5. نتیجه گیری و کارهای آینده

چکیده – در این مقاله، ما بر اصلاح الگوریتم جلبک مصنوعی (AAA) متمرکز شدیم، برای حل مسائل بهینه سازی پیوسته، مسائل بهینه سازی باینری با استفاده ازعملگر منطقی منحصر به فرد یا (xor)و رفتار نشانه ورزی طرح شده است. در الگوریتم، چهار پردازشی که به ترتیب مسائل پیوسته را حل کرده وجود دارد. در نسخه باینری ازالگوریتم، سه تا از آنها به منظور غلبه بر ساختار مسائل بهینه سازی باینری سازگار هستند. در مقداردهی اولیه، کلونی ای از (AAA) با صفر یا احتمال مساوی شروع به کار کرده اند. ثانیاً مرحله حرکت مارپیچی برای دستیابی به راه حل های کاندید استفاده شده است و در این مرحله عملگرxor و رفتار نشانه ورزی برای بدست آوردن راه حل کاندید باینری به کار گرفته شده است. مرحله ی اصلاح شده ی آخر، تطابق است و مقادیر باینری که در راه حل قحطی زده ترین به صورت تصادفی انتخاب شده اند همانند بزرگترین کلونی که تاکنون به دست آمده است، هستند. الگوریتم پیشنهادی برای حل مسائل مربوط به محل امکانات بدون ظرفیت خوب شناخته شده و مسائل بر معیار عددی است. نتایج به دست آمده با الگوریتم های خلاقانه در هوش گروهی و زمینه محاسبات تکاملی مقایسه شده اند. نتایج تجربی نشان می دهد که الگوریتم پیشنهادی نسبت به دیگر روشها در عناوینی از کیفیت، همگرایی، مشخصات و نیرومندی، برتر هستند.

In this study, we focus on modification of the artificial algae algorithm (AAA), proposed for solving continuous optimization problems, for binary optimization problems by using exclusive-or (xor) logic operator and stigmergic behavior. In the algorithm, there are four processes sequentially realized for solving continuous problems. In the binary version of the algorithm, three of them are adapted in order to overcome the structure of binary optimization problems. In the initialization, the colonies of AAA are set to either zero or one with equal probability. Secondly, helical movement phase is used for obtaining candidate solutions and in this phase, the xor operator and stigmergic behavior are utilized for obtaining binary candidate solutions. The last modified phase is adaptation, and randomly selected binary values in the most starved solution are likened to biggest colony obtained so far. The proposed algorithm is applied to solve well-known uncapacitated facility location problems and numeric benchmark problems. Obtained results are compared with state-of-art algorithms in swarm intelligence and evolutionary computation field. Experimental results show that the proposed algorithm is superior to other techniques in terms of solution quality, convergence characteristics and robustness.