دانلود ترجمه مقاله الگوریتم جستجوی گرانشی

1. مقدمه 2. مروری بر الگوریتم های ابتکاری (اکتشافی) 3. قانون گرانش 4. الگوریتم جستجوی گرانشی (GSA) 5. مطالعه مقایسه ای 6. نتایج تجربی 7. نتیجه گیری

چکیده – در سالهای اخیر، روش های بهینه سازی ابتکاری مختلفی توسعه یافته اند. بسیاری از این روش ها از رفتارهای دسته ای در طبیعت الهام گرفته اند. در این مقاله، یک الگوریتم بهینه سازی جدید براساس قانون گرانش و اثر متقابل های جرم معرفی می شود. در الگوریتم پیشنهادی، عامل های جستجوگر، یک مجموعه از اجرام یا اجسام هستند که براساس گرانش نیوتنی و قوانین حرکت، با هم اثر متقابل دارند. روش پیشنهادی با تعدادی روش جستجوی ابتکاری مشهور، مقایسه شده اند. نتایج بدست آمده، عملکرد عالی روش پیشنهادی در حل توابع غیرخطی مختلف را تایید می کنند. مقدمه: در حل مسائل بهینه سازی با یک فضای جستجوی ابعاد زیاد، الگوریتم های بهینه سازی کلاسیک، جواب مناسبی حاصل نمی کنند، زیرا فضای جستجو به صورت نمایی با اندازه مسئله افزایش می یابد، بنابراین حل این مسائل با استفاده از فنون دقیق (مانند جستجوی جامع) عملی نیست. در دهه های گذشته، توجه رو به رشدی به الگوریتم های الهام گرفته از رفتارهای پدیده های طبیعی، حاصل شده است [5، 8، 17، 19، 21، 32]. توسط بسیاری از پژوهشگران نشان داده شده که این الگوریتم ها برای حل مسائل محاسباتی پیچیده مانند بهینه سازی توابع هدف [6، 36]، تشخیص الگو [24، 31]، اهداف کنترلی [2، 16، 20]، پردازش تصویر [4، 27]، مدل سازی فیلتر [15، 23] و غیره، بسیار مناسب بوده اند. رویکردهای ابتکاری مختلف توسط محققان تاکنون بکار گرفته شده اند، برای مثال می توان الگوریتم ژنتیک [32]، تابکاری شبیه سازی شده [21]، الگوریتم جستجوی کلونی مورچه [5]، بهینه سازی دسته ذره [17] و غیره را می توان نام برد. این الگوریتم ها، به صورت پیشرو تحلیل می شوند و توسط پژوهش گران در بسیاری از رشته های مختلف، تقویت شده اند [1، 3، 7، 12، 25، 34]. این الگوریتم ها مسائل بهینه سازی مختلفی را حل می کند. اما، الگوریتم مخصوصی برای دستیابی به بهترین جواب برای همه مسائل بهینه سازی وجود ندارد. تعدادی الگوریتم، یک جواب بهتر برای تعدادی از مسائل خاص نسبت به دیگران حاصل می کنند. بنابراین، جستجو برای الگوریتم های بهینه سازی ابتکاری جدید، یک مسئله حل نشده است [35].

In recent years, various heuristic optimization methods have been developed. Many of these methods are inspired by swarm behaviors in nature. In this paper, a new optimization algorithm based on the law of gravity and mass interactions is introduced. In the proposed algorithm, the searcher agents are a collection of masses which interact with each other based on the Newtonian gravity and the laws of motion. The proposed method has been compared with some well-known heuristic search methods. The obtained results confirm the high performance of the proposed method in solving various nonlinear functions. Introduction: In solving optimization problems with a high-dimensional search space, the classical optimization algorithms do not provide a suitable solution because the search space increases exponentially with the problem size, therefore solving these problems using exact techniques (such as exhaustive search) is not practical. Over the last decades, there has been a growing interest in algorithms inspired by the behaviors of natural phenomena [5,8,17,19,21,32]. It is shown by many researchers that these algorithms are well suited to solve complex computational problems such as optimization of objective functions [6,36], pattern recognition [24,31], control objectives [2,16,20], image processing [4,27], filter modeling [15,23], etc. Various heuristic approaches have been adopted by researches so far, for example Genetic Algorithm [32], Simulated Annealing [21], Ant Colony Search Algorithm [5], Particle Swarm Optimization [17], etc. These algorithms are progressively analyzed or powered by researchers in many different areas [1,3,7,12,25,34]. These algorithms solve different optimization problems. However, there is no specific algorithm to achieve the best solution for all optimization problems. Some algorithms give a better solution for some particular problems than others. Hence, searching for new heuristic optimization algorithms is an open problem [35].

ترجمه این مقاله در 25 صفحه آماده شده و در ادامه نیز صفحه 10 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.