دانلود ترجمه مقاله الگوریتم بهینه سازی پروانه بهبود یافته با عملگر جستجوی محلی

1. مقدمه 2. مسئله مسیریابی تقویت شده خودرو 3. عملگرهای جستجوی محلی 4. مطالعات انجام شده (مروری بر مقالات) 5. تعریف مسئله 6. طرح کلی کار پیشنهادی 7. قوانین محوری 8. دیاگرام معماری 9. پیچیدگی موجود در پروپوزال 10. پیاده سازی 11. نتایج تجربی 12. نتیجه گیری

الگوریتم بهینه سازی پروانه: مسائل دنیای واقعی، بسیار پیچیده هستند، زیرا ماهیت چند بعدی دارند و دانشمندان کامپیوتر را ترغیب به توسعه روش های حل مسئله بهتر و کارآمدتر کرده است. فرا ابتکاری های الهام گرفته از طبیعت، عملکرد بهتری نسبت به روش های سنتی از خود نشان می دهند. تاکنون، پژوهشگران با الگوریتم های فرا ابتکاری الهام گرفته از طبیعت متعددی تجربه اندوزی و اجرای تجربی انجام داده ند تا مسائل جستجوی مختلف را مورد بررسی قرار دهند. الگوریتم بهینه سازی پروانه [1] که جستجوی خوراک را تقلید می کند، برای حل مسائل بهینه سازی سراسری، بکار گرفته شده است. الگوریتم بهینه سازی پروانه (BOA)، عمدتاً از رفتار خوراک جویی پروانه ها الهام گرفته است. رفتار پروانه ها را می توان به صورت حرکت مشارکتی به سمت موقعیت منبع غذا، توصیف نمود. پروانه ها، بوی موجود در هوا را دریافت/حس می کنند و آنرا تحلیل می کنند تا جهت احتمالی یک منبع غذا را پیدا کنند، که این یکی از الگوریتم های بهینه سازی الهام گرفته از طبیعت می باشد. این الگوریتم، اساساً از رفتار خوراک جویی پروانه ها، الهام گرفته است. در BOA، این پروانه ها به عنوان مجریان جستجو برای انجام بهینه سازی استفاده می شوند. در BOA، یک پروانه قادر به تولید بو با شدت معین می باشد. این بو، در ادامه با برازندگی پروانه، همبستگی داده می شود. این بدان معناست که هنگامی که یک پروانه از یک موقعیت به موقعیت دیگر در فضای جستجو حرکت می کند، برازندگی آن نیز بر آن اساس، تغییر می کند. بوی حس شده توسط پروانه ها در فاصله هایی برای همه پروانه های دیگر درون آن منطقه، منتشر می شود. بوی منتشر شده بوسیله پروانه ها حس می شود و یک شبکه دانش اجتماعی جمعی، تشکیل می شود. هرگاه که یک پروانه، بو را از بهترین پروانه فضای جستجو، دریافت می کند، یک گام به سمت بهترین پروانه بر می دارد و این مرحله را مرحله «جستجوی سراسری» BOA می گویند. در سناریوی دوم، هرگاه که پروانه قادر به حس کردن بوی پروانه ای دیگر در فضای جستجو نباشد، گام های تصادفی بر می دارد و این مرحله، فاز «جستجوی محلی» BOA نامیده می شود.

BUTTERFLY OPTIMIZATION ALGORITHM: Real world problems are intricate as they are multidimensional in nature that encourages computer scientists to develop better and efficient problem-solving methods. Nature-inspired metaheuristics exhibit better performances than that of traditional approaches. Till date, researchers have bestowed and experimented with numerous nature-inspired metaheuristic algorithms to handle various search issues. Butterfly optimization algorithm [1] that mimics food search, to solve global optimization problems. Butterfly Optimization Algorithm (BOA) is mainly inspired by the food foraging behavior of the butterflies. The behavior of butterflies can be described as their cooperative movement toward the food source position. The butterflies receive/sense and analyze the smell in the air to determine the potential direction of a food source belongs to Natureinspired optimization algorithms. It is basically inspired by the food foraging behavior of butterflies. In BOA, these butterflies are used as search agents to perform optimization. In BOA, a butterfly is able to generate fragrance with some intensity. This fragrance is further correlated with fitness of the butterfly. This means that whenever a butterfly moves from one position to other particular position in the search space, its fitness will vary accordingly. Now, the fragrance which is sensed by butterflies is propagated over distance to all other butterflies in the region. The propagated fragrance is sensed by butterflies and a collective social knowledge network is formed. Whenever a butterfly senses fragrance from the best butterfly in the search space, it takes a step towards the best butterfly and this phase is termed as global search phase of BOA. In the second scenario, whenever a butterfly is not able to sense fragrance of any other butterfly in the search space, it will take random steps and this phase is termed as local search phase in BOA.