دانلود ترجمه مقاله الگوریتم بهینه سازی مگس میوه بهبود یافته جدید IOFOA

1. مقدمه 2. روش ها 2.1. FOA اصلی 2.2. FOA بهبودیافته جدید (IAFOA) 2.2.1. مکانیسم انتخاب تطبیقی برای جهت جستجو 2.2.2. مکانیسم تنظیم تطبیقی برای مقدار گام تکرار 2.2.3. مکانیسم جهش و تقاطع تطبیقی 2.2.4. مکانیسم زیرازدحام چندگانه 2.2.5. روش IAFOA 2.2.6. تحلیل پیچیدگی محاسباتی 2.2.7. تحلیل همگرایی IAFOA 3. آزمایشات و تحلیل عددی 3.1. آزمایشات مربوط به تست اثرات مکانیسم تنظیم تطبیقی برای مقدار گام تکرار 3.2. آزمایشاتی برای تست اثرات زیرازدحام GA 3.3. مقایسه IAFOA با الگوریتم های دیگر 3.3.1. مقایسه IAFOA با انواع پیشرفته FOA 3.3.2. مقایسه IAFOA با الگوریتم بهینه سازی هوشمند پیشرفته 4. استفاده برای حل مسائل بهینه سازی مهندسی 4.1. سه مسئله بهینه سازی مهندسی 4.1.1. طراحی فنر فشرده کویل 4.1.2. طراحی میله جوشکاری شده 4.1.3. طراحی کاهنده سرعت 4.2. نتایج و تحلیل 5. نتیجه گیری

چکیده – الگوریتم های الهام گرفته از طبیعت کاربرد گسترده ای در بهینه سازی مهندسی و ریاضی دارند. الگوریتم بهینه سازی مگس میوه FOA بعنوان یکی از تازه ترین روشهای مبتنی بر هوش ازدحام و با الهام از رفتار تغذیه ای مگس میوه پیشنهاد شده است. برای غلبه بر نواقص FOA اصلی، الگوریتم بهینه سازی مگس میوه بهبودیافته جدید با نام IAFOA در این مقاله ارائه می شود. IAFOA در مقایسه با FOA اصلی شامل چهار مکانیسم دیگر است: 1. مکانیسم انتخاب تطبیقی برای جهت جستجو 2. مکانیسم تنظیم تطبیقی برای مقدار گام تکرار 3. مکانیسم جهش و تقاطع تطبیقی و 4. مکانیسم زیر ازدحام چندگانه. مکانیسم زیرازدحام چندگانه برای جهت جستجو به افراد اجازه می دهد تا براساس تجربه تولیدهای قبلی، جهت بهینه را جستجو کنند. براساس مکانیسم تنظیم تطبیقی، مقدار گام تکرار را می توان براساس تکرار و بهترین غلظت بوی تولیدهای مختلف بطور خودکار تغییر داد. بعلاوه، مکانیسم جهش و تقاطع تطبیقی به معرفی عمل جهش و تقاطع به IAFOA پرداخته و توصیه می کند که افراد دارای ارزش برازش مختلف باید با احتمال جهش و تقاطع متفاوتی فعالیت کنند. مکانیسم زیرازدحام چندگانه می تواند اطلاعات بهینه را میان افراد دارای دو زیرازدحام توزیع کرده و سرعت همگرایی را زیادتر کند. برای نگاهی بر IAFOA پیشنهادی، تحلیل پیچیدگی محاسباتی و تحلیل همگرایی ارائه شده اند. نتایج تجربی مبتنی بر گروه 29 تابع محک نشان می دهد که IAFOA بهترین عملکرد را در میان چندین الگوریتم هوشمند دارد و شامل پنج نوع FOA و پنج الگوریتم بهینه سازی هوشمند پیشرفته می باشد. سپس، IAFOA برای حل سه مسئله بهینه سازی مهندسی با هدف تایید عملی بودن خود استفاده شده است و نتایج تجربی نشان می دهند که IAFOA بهترین راه حل را در مقایسه با ده الگوریتم دیگر می دهد.

Nature-inspired algorithms are widely used in mathematical and engineering optimization. As one of the latest swarm intelligence-based methods, fruit fly optimization algorithm (FOA) was proposed inspired by the foraging behavior of fruit fly. In order to overcome the shortcomings of original FOA, a new improved fruit fly optimization algorithm called IAFOA is presented in this paper. Compared with original FOA, IAFOA includes four extra mechanisms: 1) adaptive selection mechanism for the search direction, 2) adaptive adjustment mechanism for the iteration step value, 3) adaptive crossover and mutation mechanism, and 4) multi-sub-swarm mechanism. The adaptive selection mechanism for the search direction allows the individuals to search for global optimum based on the experience of the previous iteration generations. According to the adaptive adjustment mechanism, the iteration step value can change automatically based on the iteration number and the best smell concentrations of different generations. Besides, the adaptive crossover and mutation mechanism introduces crossover and mutation operations into IAFOA, and advises that the individuals with different fitness values should be operated with different crossover and mutation probabilities. The multi-sub-swarm mechanism can spread optimization information among the individuals of the two sub-swarms, and quicken the convergence speed. In order to take an insight into the proposed IAFOA, computational complexity analysis and convergence analysis are given. Experiment results based on a group of 29 benchmark functions show that IAFOA has the best performance among several intelligent algorithms, which include five variants of FOA and five advanced intelligent optimization algorithms. Then, IAFOA is used to solve three engineering optimization problems for the purpose of verifying its practicability, and experiment results show that IAFOA can generate the best solutions compared with other ten algorithms.