دانلود ترجمه مقاله رویکرد ترکیبی GWO-SCA برای مسائل بهینه سازی

1. مقدمه 2. بهینه ساز گرگ خاکستری (GWO) 3. الگوریتم سینوس کسینوس (SCA) 4. انگیزه این مطالعه 5. الگوریتم هیبرید سینوس کسینوس/بهینه ساز گرگ خاکستری 6. مسائل کلاسیک 7. آزمایشات عددی 8. بهره وری الگوریتم هیبرید پیشنهادی 9. آزمایش و نتایج 10. مسائل بیوپزشکی 11. مسئله مجموعه داده سینوسی 12. نتیجه گیری ضمیمه A

چکیده – روند اخیر تحقیقات، هیبرید سازی دو و یا حتی چندین گونه، برای یافتن راه حل عملی با کیفیت بهتر و دلالت های حقیقی اخیر، در زمینه مسائل بهینه سازی سراسری می باشد. در این مقاله، یک رویکرد هیبرید جدید، با نام بهینه ساز گرگ خاکستری (GWO)- الگوریتم سینوس کوسینوس (SCA)، بر روی یک آزمایش بِنچ مارک 22 موردی، 5 مجموعه داده بیوپزشکی و یک مجموعه داده سینوسی اعمال می شود. GWOSCA هیبرید، در واقع ترکیبی از بهینه ساز گرگ خاکستری (GWO) است که برای فاز بهره برداری و الگوریتم سینوس کسینوس (SCA)، برای فاز بررسی در محیطی با عدم قطعیت استفاده می شوند. جهت حرکت و سرعت گرگ خاکستری (آلفا)، با استفاده از معادلات به روزرسانی موقعیت SCA، بهبود داده می شود. راه حل های عددی و آماری که با استفاده از رویکرد GWOSCA هیبریدی به دست آمده اند با سایر رویکردهای فراابتکاری، همانند بهینه سازی انبوه ذرات (PSO)، بهینه ساز شیر-مورچه (ALO)، الگوریتم بهینه ساز وال (WOA)، رویکرد هیبرید GWO (HAGWO)، GWOمیانگین (MGWO)، بهینه ساز گرگ خاکستری (GWO) و الگوریتم سینوس کسینوس (SCA) مقایسه می شود. نتایج آزمایشی آماری و عددی اثبات می کند که گونه هیبرید پیشنهادی می تواند در حل کردن این بنچ مارک و کاربردهای جهان حقیقی، همراه با زمینه های تحقیقاتی ناشناخته و قید دار و بدون آن، موثر باشد. مقدمه: یکی از موثرترین تکنیک ها، در جستجو به دنبال بهترین نتیجه ممکن در بنچ مارک و کاربردهای جهان حقیقی، تکنیک بهینه سازی سراسری است. در بهینه سازی، تنها چند نتیجه با بهترین مورد که به عنوان یک مجموعه کل شناخته می شود، مقایسه می شود. رویکردهای بهینه سازی کلاسیک، در یافتن راه حل بهینه سراری مسائل بهینه سازی کلاسیک، با نواقصی روبه رو هستند. این نواقص عمدتا وابسته به سیستم های جستجوی درونی آن ها می باشند. الگوریتم های کلاسیک مدنظر، به شدت، تحت تاثیر یافتن انواع مناسب متغیر، اهداف و تابع قیود می باشد. هم چنین یک روش راه حل سراسری را ارائه نمی دهند که بتوان آن را برای یافتن راه حل بهینه سراسری توابع که در آن، چندین نوع تابع تحت قید، متغیر و هدف، مورد استفاده قرار گرفته، اعمال نمود [1]. برای پوشش این نواقص ،تکنیک جدیدی، با عنوان روش های فراابتکاری ایجاد شده است که از جستجوی هوش مصنوعی، نشأت گرفته است . این روش، توسط دانشمندان و محققان ایجاد شده است [2]. طبیعت، الهام بخش تکنیک هایی است که محققان ،برای حل چند نوع از توابع بهینه سازی سراسری سخت، بدون انطباق کامل با هر تابع، توسعه داده اند.

Recent trend of research is to hybridize two and several number of variants to find out better quality of solution of practical and recent real applications in the field of global optimization problems. In this paper, a new approach hybrid Grey Wolf Optimizer (GWO) – Sine Cosine Algorithm (SCA) is exercised on twenty-two benchmark test, five bio-medical dataset and one sine dataset problems. Hybrid GWOSCA is combination of Grey Wolf Optimizer (GWO) used for exploitation phase and Sine Cosine Algorithm (SCA) for exploration phase in uncertain environment. The movement directions and speed of the grey wolve (alpha) is improved using position update equations of SCA. The numerical and statistical solutions obtained with hybrid GWOSCA approach is compared with other metaheuristics approaches such as Particle Swarm Optimization (PSO), Ant Lion Optimizer (ALO), Whale Optimization Algorithm (WOA), Hybrid Approach GWO (HAGWO), Mean GWO (MGWO), Grey Wolf Optimizer (GWO) and Sine Cosine Algorithm (SCA). The numerical and statistical experimental results prove that the proposed hybrid variant can highly be effective in solving benchmark and real life applications with or without constrained and unknown search areas. Introduction: One of the highly effective techniques in searching the best possible results in benchmark and real life functions is the global optimization technique. In optimization, only a few results are compared to best which are known as the goal. Classical optimization approaches have some deficiencies on finding the global optimal solutions of classical optimization problems. These deficiencies are primarily interdependent on their inherent search systems. These classical algorithms are strongly under effects of choosing proper types of variables, objectives and constraints functions. They also do not grant a universal solution method that can be applied to find global optimal solution of the functions where several types of constrained functions, variables and objective are used [1]. For covering these deficiencies, a new technique with the name of metaheuristics was originated, which is mainly developed from artificial intelligence research that originated by scientists or researchers [2]. Nature inspired techniques researchers are developed for solving the several types of hard global optimization functions without having to full accommodate to each function.

بخشی از ترجمه مقاله (صفحه 12 فایل ورد ترجمه)