دانلود ترجمه مقاله الگوریتم سینوس کسینوسی برای حل مسائل بهینه سازی

1. مقدمه 2. مقالات مرتبط 3. الگوریتم سینوسی کسینوسی (SCA) 4. نتایج و بحث و بررسی 5. طراحی ایرفویل با استفاده از SCA 6. نتیجه گیری

مقدمه: بهینه سازی به معنای فرآیند یافتن مقادیر بهینه برای پارامترهای یک سیستم معین از همه مقادیر احتمالی برای بیشینه سازی یا کمینه سازی خروجی اش است. مسائل بهینه سازی را می توان در همه زمینه های مطالعه یافت که این باعث می شود توسعه فنون بهینه سازی بسیار مهم باشد و یک جهت پژوهشی جالب برای محققان باشد. بخاطر معایب الگوریتم های بهینه سازی متداول، یعنی گیر افتادن در بهینه های محلی و نیاز به مشتق گیری یا استخراج فضای جستجو [1]، توجه روز افزونی به رویکردهای بهینه سازی احتمالاتی [2] در دو دهه گذشته بوجود آمده است [3-5]. الگوریتم های بهینه سازی احتمالاتی، مسائل بهینه سازی را به صورت جعبه های سیاه در نظر می گیرند [6]. این بدان معناست که استخراج مدل های ریاضیاتی لازم نیست، زیرا چنین الگوهای بهینه سازی تنها ورودی ها را تغییر می دهند و خروجی های سیستم را برای بیشینه سازی یا کمینه سازی خروجی هایش، مورد نظارت قرار می دهد. مزیت دیگر ملاحظه مسائل به صورت جعبه سیاه، انعطاف پذیری زیاد است که این بدان معناست که الگوریتم های احتمالاتی براحتی برای مسائل در رشته های مختلف قابل استفاده می باشند. همانگونه که از نام فنون بهینه سازی احتمالاتی پیداست، اینها به صورت تصادفی مسائل بهینه سازی را بهبود می بخشند [7]. بنابراین، منفعت ذاتی از اجتناب از بهینه های محلی بالاتر در مقایسه با الگوریتم های بهینه سازی متداول می برند. دسته بندی های مختلفی برای الگوریتم های بهینه سازی احتمالاتی در ادبیات وجود دارد. دو دسته بندی اصلی براساس الهام از یک الگوریتم (برپایه هوش دسته ذره [8]، تکاملی [9]، برپایه فیزیک [10] و غیره) و تعداد جواب های تصادفی که یک الگوریتم در هر گام بهینه سازی تولید می کنند، می باشند. دسته بندی آخر، الگوریتم ها را به دو طبقه تقسیم می کند: الگوریتم های مبتنی بر فرد و مبتنی بر جمعیت. در دسته اول، تنها یک جواب به صورت تصادفی تولید می شود و در یک مرحله بهینه سازی، بهینه می شود. اما، در نوع دوم، الگوریتم بهینه سازی بیش از یک جواب تصادفی (عمدتاً بسیاری) تولید می کند و در طی بهینه سازی، آنها را بهبود می بخشد.

Introduction: Optimization refers to the process of finding optimal values for the parameters of a given system from all the possible values to maximize or minimize its output. Optimization problems can be found in all fields of study, which makes the development of optimization techniques essential and an interesting research direction for researchers. Due to the drawbacks of the conventional optimization paradigms, local optima stagnation, and the need to derivate the search space [1], a growing interest has been observed in stochastic optimization approaches [2] over the last two decades [3-5]. Stochastic optimization algorithms consider optimization problems as black boxes [6]. This means that the derivation of the mathematical models is not required because such optimization paradigms only change the inputs and monitor the outputs of the system for maximizing or minimizing its outputs. Another advantage of considering problems as black boxes is the high flexibility, meaning that stochastic algorithms are readily applicable to problems in different fields. As the name of stochastic optimization techniques imply, they optimize optimization problems randomly [7]. Therefore, they intrinsically benefit from higher local optima avoidance compared to the conventional optimization algorithms. There are different classification for stochastic optimization algorithms in the literature. Two main classifications are based on the inspiration of an algorithm (swarm intelligence-based [8], evolutionary [9], physics-based [10], etc.) and the number of random solutions that an algorithm generates in each step of optimization. The last classification divides the algorithms to two categories: individual-based and population-based algorithms. In the former class, only one solution is generated randomly and improved over the course of optimization. In the latter class, however, an optimization algorithm generates more than one random solution (mostly many) and improves them during optimization.