دانلود ترجمه مقاله الگوریتم بهینه سازی شعله – شبپره: الگوی الهام گرفته شده از طبیعت

1. مقدمه 2. مروری بر مقالات 3. بهینه سازی شعله شب پره 4. نتایج و بحث و بررسی 5. بهینه سازی مقید با استفاده از الگوریتم MFO 6. طراحی پیشران دریایی با استفاده از MFO 7. نتیجه گیری

مقدمه: بهینه سازی به معنای فرآیند یافتن بهترین جواب ممکن برای یک مسئله خاص می باشد. هنگامی که پیچیدگی مسائل افزایش می یابد، در چند دهه اخیر، نیاز به فنون بهینه سازی جدید بیشتر از گذشته مشهود می شود. فنون بهینه سازی ریاضیاتی استفاده شده تنها ابزاری برای مسائل بهینه سازی قبل از پیشنهاد و ابداع فنون بهینه سازی ابتکاری بودند. روشهای بهینه سازی ریاضیاتی، تقریباً قطعیتی هستند که اینها از یکی از مسائل عمده رنج می برند: گیر افتادن در بهینه های محلی. تعدادی از آنها مانند الگوریتم های گرادیانی، نیاز به استخراج یا مشتق گیری از فضای جستجو نیز دارند. این کار باعث می شود تا در حل مسائل حقیقی بسیار ناکارآمد باشند. الگوریتم به اصطلاح ژنتیک (GA) [1] که بی تردید محبوب ترین الگوریتم بهینه سازی احتمالاتی است برای رفع معایب ذکر شده در الگوریتم های قطعیتی، پیشنهاد شده است. موفقیت کلیدی الگوریتم GA عمدتاً بر اجزاء احتمالاتی این الگوریتم متکی است. انتخاب، تکثیر و جهش همگی رفتارهای احتمالاتی دارند که به GA در اجتناب بسیار کارآمدتر از بهینه های محلی نسبت به الگوریتم های بهینه سازی ریاضیاتی، کمک می کند. از آنجایی که احتمال انتخاب و تکثیر بهترین افراد بیشتر از افراد بدتر است، برازندگی میانگین کلی جمعیت در چندین نسل بهبود می یابد. این دو مفهوم ساده دلایل کلیدی موفقیت GA در حل مسائل بهینه سازی می باشند. حقیقت دیگر در مورد این الگوریتم این است که نیازی به داشتن اطلاعات گرادیانی از مسائل نیست، زیرا GA تنها افراد را براساس برازندگی ارزیابی می کند. این باعث می شود که این مسئله برای حل مسائل واقعی با فضاهای جستجوی مجهول بسیار مناسب باشد. امروزه، کاربرد الگوریتم GA را می توان در محدوده گسترده ای از رشته ها مشاهده نمود.

Introduction: Optimization refers to the process of finding the best possible solution(s) for a particular problem. As the complexity of problems increases, over the last few decades, the need for new optimization techniques becomes evident more than before. Mathematical optimization techniques used to be the only tools for optimizing problems before the proposal of heuristic optimization techniques. Mathematical optimization methods are mostly deterministic that suffer from one major problem: local optima entrapment. Some of them such as gradient-based algorithms require derivation of the search space as well. This makes them highly inefficient in solving real problems. The so-called Genetic Algorithm (GA) [1], which is undoubtedly the most popular stochastic optimization algorithm, was proposed to alleviate the aforementioned drawbacks of the deterministic algorithms. The key success of GA algorithm mostly relies on the stochastic components of this algorithm. The selection, re-production, and mutation have all stochastic behaviours that assist GA to avoid local optima much more efficient than mathematical optimization algorithms. Since the probability of selection and re-production of best individuals is higher than worst individuals, the overall average fitness of population is improved over the course of generations. These two simple concepts are the key reasons of the success of GA in solving optimization problems. Another fact about this algorithm is that there is no need to have gradient information of the problems since GA only evaluates the individuals based on the fitness. This makes this algorithm highly suitable for solving real problems with unknown search spaces. Nowadays, the application of the GA algorithm can be found in a wide range of fields.