دانلود ترجمه و شبیه سازی مقاله بهینه سازی پروانه شهریار

1. مقدمه 2. پروانه شهریار و رفتار مهاجرتی آن 3. بهینه سازی پروانه شهریار 4. نتایج شبیه سازی 5. مقایسه روش MBO با روش های دیگر 6. بحث و بررسی و نتیجه گیری

چکیده – در طبیعت، پروانه شهریار آمریکای شمال شرقی، به خاطر مهاجرت به سمت جنوب در اواخر تابستان / پاییز از شمال آمریکا و جنوب کانادا به مکزیک و پیمودن هزاران مایل شناخته شده است. با ساده سازی و ایده آل سازی مهاجرت پروانه های شهریار، یک نوع جدید از الگوریتم های قراابتکاری الهام گرفته شده از طبیعت با عنوان بهینه سازی پروانه شهریار (MBO)، اولین در نوع خود، در این مقاله ارائه شده است. در MBO، همه پروانه های شهریار در دو سرزمین مجزا قرار می گیرند، یعنی کانادای جنوبی و آمریکای شمالی (سرزمین 1) و مکزیک (سرزمین 2). بر این اساس، موقعیت های پروانه های شهریار به دو روش به روز می گردد. در مرحله اول، نوزادان توسط اپراتور مهاجرت تولید می شوند (به روز رسانی موقعیت) که می تواند با نسبت مهاجرت تنظیم گردد. در ادامه، موقعیت دیگر پروانه ها با استفاده از اپراتور تنظیمی پروانه ها، تنظیم می گردد. به منظور حفظ عدم تغییر در جمعیت و به حداقل رسانی ارزیابی تناسب اندام، مجموع پروانه های جدیدا متولد شده در این دو روش، برابر با جمعیت اصلی باقی می ماند. به منظور نشان دادن عملکرد برتر الگوریتم MBO، یک مطالعه مقایسه ای با پنج الگوریتم فراابتکاری دیگر از طریق سی و هست مساله معیار انجام گرفته است. نتایج به وضوح، قابلیت روش MBO در یافتن مقادیر تابع بهبودیافته در بیشتر مسائل معیار با توجه به پنج الگوریتم دیگر را نشان می دهند.

In nature, the eastern North American monarch population is known for its southward migration during the late summer/autumn from the northern USA and southern Canada to Mexico, covering thousands of miles. By simplifying and idealizing the migration of monarch butterflies, a new kind of nature-inspired metaheuristic algorithm, called monarch butterfly optimization (MBO), a first of its kind, is proposed in this paper. In MBO, all the monarch butterfly individuals are located in two distinct lands, viz. southern Canada and the northern USA (Land 1) and Mexico (Land 2). Accordingly, the positions of the monarch butterflies are updated in two ways. Firstly, the offsprings are generated (position updating) by migration operator, which can be adjusted by the migration ratio. It is followed by tuning the positions for other butterflies by means of butterfly adjusting operator. In order to keep the population unchanged and minimize fitness evaluations, the sum of the newly generated butterflies in these two ways remains equal to the original population. In order to demonstrate the superior performance of the MBO algorithm, a comparative study with five other metaheuristic algorithms through thirty-eight benchmark problems is carried out. The results clearly exhibit the capability of the MBO method toward finding the enhanced function values on most of the benchmark problems with respect to the other five algorithms.