دانلود ترجمه مقاله الگوریتم بهینه سازی میمون عنکبوتی برای بهینه سازی عددی

1. مقدمه 2. رفتار خوراک جویی و اجتماعی میمون های عنکبوتی 3. الگوریتم بهینه سازی میمون های عنکبوتی 4. بحث و بررسی 5. نتایج تجربی 6. نتیجه گیری

چکیده – هوش ازدحامی، یکی از امیدوارکننده ترین زمینه ها برای پژوهشگران در زمینه بهینه سازی عملی می باشد. محققان، الگوریتم های بسیاری را با شبیه سازی رفتار دسته ذره مخلوقات مختلف مانند مورچه ها، زنبورهای عسل، ماهی ها، پرندگان، ابداع کرده اند و یافته ها بسیار انگیزش بخش هستند. در این مقاله، یک رویکرد جدید برای بهینه سازی عملی پیشنهاد شده است که این رویکرد بوسیله مدل سازی رفتار خوراک یابی میمون های عنکبوتی است. میمون های عنکبوتی در دسته جانوران دارای ساختار اجتماعی شکافتی-جوشی قرار داده شده اند. جانورانی که نظام های اجتماعی شکافتی-جوشی را پیروی می کنند، خود را از گروه های بزرگ به کوچکتر و برعکس، براساس کمبود یا زیاد بودن غذا تقسیم می کنند. رویکرد هوش ذره پیشنهادی، الگوریتم بهینه سازی میمون های عنکبوتی (SMO) نامیده می شود و می توان به میزان زیادی آنرا در دسته الگوریتم های الهام گرفته از رفتار خوراک جویی هوشمند جانوران دارای ساختار اجتماعی شکافتی-جوشی، قرار داد. مقدمه: نام دسته ذره برای یک مجموعه مخلوقات مانند مورچه ها، ماهی ها، پرندگان، موریانه ها و زنبورهای عسل که به صورت جمعی رفتار می کنند، استفاده می شود. تعریف ارائه شده توسط بونابیو برای هوش ازدحامی به این صورت است «هرگونه تلاش برای طراحی الگوریتم ها یا دستگاه های حل مسئله توزیع شده با الهام از رفتار جمعی کلونی های اجتماعی حشرات و دیگر جوامع حیوانی» [3]. هوش ازدحامی، یک رویکرد فراابتکاری در زمینه فنون الهام گرفته شده از طبیعت است که برای حل مسائل بهینه سازی استفاده می شود. این براساس رفتار جمعی مخلوقات اجتماعی است. مخلوقات اجتماعی از توانایی یادگیری و سازگاری اجتماعی خود برای حل امور پیچیده استفاده می کنند. محققان چنین رفتارهایی را تحلیل کرده اند و الگوریتم هایی را طراحی کرده اند که برای حل مسائل بهینه سازی غیرخطی، غیرمحدب یا ترکیبی در بسیاری از حوزه های علوم و مهندسی، قابل استفاده است. پژوهش قبلی [7، 17، 28، 39]، نشان دادند که الگوریتم های برپایه هوش ازدحامی، پتانسیل زیادی برای یافتن یک جواب نزدیک به بهینه در مسئله بهینه سازی واقعی، دارد. الگوریتم هایی که در سالهای اخیر پدیدار شده اند «بهینه سازی کلونی مورچه» (ACO) [7]، بهینه سازی دسته ذره (PSO) [17]، بهینه سازی خوراک جویی باکتری (BFO) [26]، بهینه سازی کلونزی زنبور مصنوعی (ABC) [14] و غیره می باشند.

Swarm intelligence is one of the most promising area for the researchers in the field of numerical optimization. Researchers have developed many algorithms by simulating the swarming behavior of various creatures like ants, honey bees, fish, birds and the findings are very motivating. In this paper, a new approach for numerical optimization is proposed by modeling the foraging behavior of spider monkeys. Spider monkeys have been categorized as fission–fusion social structure-based animals. The animals which follow fission–fusion social systems, split themselves from large to smaller groups and vice-versa based on the scarcity or availability of food. The proposed swarm intelligence approach is named as Spider Monkey Optimization (SMO) algorithm and can broadly be classified as an algorithm inspired by intelligent foraging behavior of fission–fusion social structure-based animals. Introduction: The name swarm is used for an accumulation of creatures such as ants, fish, birds, termites and honey bees which behave collectively. The definition given by Bonabeau for the swarm intelligence is “any attempt to design algorithms or distributed problem-solving devices inspired by the collective behaviour of social insect colonies and other animal societies” [3]. Swarm Intelligence is a meta-heuristic approach in the field of nature inspired techniques that is used to solve optimization problems. It is based on the collective behavior of social creatures. Social creatures utilize their ability of social learning and adaptation to solve complex tasks. Researchers have analyzed such behaviors and designed algorithms that can be used to solve nonlinear, non-convex or combinatorial optimization problems in many science and engineering domains. Previous research [7,17,28,39] have shown that algorithms based on Swarm Intelligence have great potential to find a near optimal solution of real world optimization problem. The algorithms that have been emerged in recent years are Ant Colony Optimization (ACO) [7], Particle Swarm Optimization (PSO) [17], Bacterial Foraging Optimization (BFO) [26], Artificial Bee Colony Optimization (ABC) [14] etc.