دانلود ترجمه مقاله بهینه ساز گرگ خاکستری

1. مقدمه 2. مروری بر مقالات 3. بهینه ساز گرگ خاکستری (GWO) 4. نتایج و بحث و بررسی 5. GWO برای مسائل مهندسی کلاسیک 6. کاربرد واقعی GWO در مهندسی اپتیک (طراحی بافر نوری) 7. نتیجه گیری

چکیده – این مقاله یک الگوریتم فرا ابتکاری جدید به نام «بهینه ساز گرگ خاکستری» (GWO) الهام گرفته از گرگ های خاکستی (Canis lupus) را پیشنهاد می کند. الگوریتم GWO، سلسله مراتب رهبری و مکانیزم شکار گرگ های خاکستری در طبیعت را تقلید می کند. چهار نوع گرگ خاکستی، مانند آلفا، بتا، دلتا و اومگا برای شبیه سازی سلسله مراتب رهبری بکار گرفته می شوند. علاوه بر آن، سه مرحله اصلی شکار، جستجوی برای شکار، محاصره کردن شکار و حمله به شکار پیاده سازی می شوند. این الگوریتم سپس برروی 29 کارکرد آزمون مشهور، اعتبار یابی می شود و نتایج بوسیله یک مطالعه مقایسه ای با «بهینه سازی دسته ذره» (PSO)، الگوریتم جستجوی گرانشی (GSA)، تکامل دیفرانسیلی (DE)، برنامه ریزی تکاملی (EP) و استراتژی تکامل (ES)، مقایسه می شود. نتایج نشان می دهند که الگوریتم GWO قادر به فراهم کردن نتایج بسیار قوی و رقابتی در مقایسه با این الگوریتم های فراابتکاری مشهود می باشد. همچنین این مقاله حل سه مسئله طراحی مهندسی کلاسیک (کشش/تراکم فنر، تیر جوش خورده و طراحی های مخزن فشار) را مورد ملاحظه قرار می دهد و یک کاربرد واقعی از روش پیشنهادی در زمینه مهندسی اپتیک یا نوری را ارائه می دهد. نتایج مسائل طراحی مهندسی کلاسیک و کاربرد واقعی ثابت می کنند که الگوریتم پیشنهادی برای مسائل چالش برانگیز با فضاهای جستجوی مجهول، قابل استفاده می باشد. مقدمه: فنون بهینه سازی فرا ابتکاری در دو دهه گذشته بسیار مشهور شده اند. جالب اینکه، تعدادی از آنها مانند الگوریتم ژنتیک (GA)، بهینه سازی کلونی مورچه (ACO) و بهینه سازی ازدحام ذره (PSO)، در میان نه تنها دانشمندان کامپیوتر بلکه همچنین دانشمندانی از رشته های مختلف، بسیار مشهور می باشند. علاوه بر تعداد هنگفت کارهای نظری انجام شده، چنین فنون بهینه سازی در رشته های مختلفی بکار گرفته شده اند. در اینجا این پرسش به ذهن می آید که چرا فرا ابتکاری ها فوق العاده معمول و رایج شده اند. پاسخ به این سوال را می توان به چهار دلیل اصلی تقسیم بندی کرد: سادگی، انعطاف پذیری، مکانیزم بدون مشتق گیری و اجتناب از بهینه های محلی.

This work proposes a new meta-heuristic called Grey Wolf Optimizer (GWO) inspired by grey wolves (Canis lupus). The GWO algorithm mimics the leadership hierarchy and hunting mechanism of grey wolves in nature. Four types of grey wolves such as alpha, beta, delta, and omega are employed for simulating the leadership hierarchy. In addition, the three main steps of hunting, searching for prey, encircling prey, and attacking prey, are implemented. The algorithm is then benchmarked on 29 well-known test functions, and the results are verified by a comparative study with Particle Swarm Optimization (PSO), Gravitational Search Algorithm (GSA), Differential Evolution (DE), Evolutionary Programming (EP), and Evolution Strategy (ES). The results show that the GWO algorithm is able to provide very competitive results compared to these well-known meta-heuristics. The paper also considers solving three classical engineering design problems (tension/compression spring, welded beam, and pressure vessel designs) and presents a real application of the proposed method in the field of optical engineering. The results of the classical engineering design problems and real application prove that the proposed algorithm is applicable to challenging problems with unknown search spaces. Introduction: Meta-heuristic optimization techniques have become very popular over the last two decades. Surprisingly, some of them such as Genetic Algorithm (GA) [1], Ant Colony Optimization (ACO) [2], and Particle Swarm Optimization (PSO) [3] are fairly well-known among not only computer scientists but also scientists from different fields. In addition to the huge number of theoretical works, such optimization techniques have been applied in various fields of study. There is a question here as to why meta-heuristics have become remarkably common. The answer to this question can be summarized into four main reasons: simplicity, flexibility, derivation- free mechanism, and local optima avoidance.