دانلود ترجمه مقاله الگوریتم بهینه سازی وال

1. مقدمه 2. الگوریتم بهینه سازی وال (WOA) 3. نتایج و بحث و بررسی 4. WOA برای مسائل مهندسی کلاسیک 5. نتیجه گیری

الگوریتم های بهینه سازی فراابتکاری، در کاربردهای مهندسی بیش از پیش در حال محبوب شدن می باشند زیرا آنها:(1) به مفاهیم نسبتاً ساده متکی هستند و پیاده سازی آنها ساده است (2) نیاز به اطلاعات گرادیانی ندارند (3) می توانند از بهینه های محلی عبور کنند (4) در مجموعه گسترده ای از مسائل پوشش دهنده رشته های مختلف قابل استفاده هستند. الگوریتم های فراابتکاری الهام گرفته شده از طبیعت، مسائل بهینه سازی را با تقلید پدیده های بیولوژیک یا فیزیکی، حل می کنند. اینها را می توان به سه طبقه اصلی گروه بندی کرد (شکل 1 را ببینید): روش های برپایه تکامل، برپایه فیزیک و برپایه دسته. روشهای برپایه تکامل، از قوانین تکامل طبیعی الهام گرفته شده اند. فرآیند جستجو با یک جمعیت به تصادف تولید شده شروع می شود که در نسل های بعدی تکامل می یابد. نقطه قوت این روش ها این است که بهترین افراد همیشه با هم ترکیب می شوند تا نسل بعدی افراد را تشکیل دهند. این کار، اجازه می دهد تا جمعیت در چندین نسل، بهینه شوند. محبوب ترین روش الهام گرفته از تکامل، الگوریتم ژنتیک (GA) است که تکامل داروینی را شبیه سازی می کند. الگوریتم های محبوب دیگر، «استراتژی تکامل» (ES)، یادگیری افزایشی برپایه احتمال (PBIL)، برنامه ریزی ژنتیک (GP) و بهینه ساز برپایه بیوجغرافیا (BBO) می باشند. روش های برپایه فیزیک، قوانین فیزیکی در هستی را تقلید می کنند. مشهورترین الگوریتم ها، «تابکاری شبیه سازی شده» (SA)، جستجوی محلی گرانشی (GLSA)، Big Bang Big Crunch (BBBC)، الگوریتم جستجوی گرانشی (GSA)، جستجوی سیستم باردار (CSS)، بهینه سازی نیروی مرکزی (CFO)، الگوریتم بهینه سازی واکنش شیمیایی مصنوعی (ACROA)، الگوریتم حفره سیاه (BH)، الگوریتم بهینه سازی پرتو (RO)، الگوریتم بهینه سازی جهان کوچک (SWOA) الگوریتم جستجوی برپایه کهکشان (GbSA) و بهینه سازی فضای خمیده (CSO) می باشند.

Introduction: Meta-heuristic optimization algorithms are becoming more and more popular in engineering applications because they: (i) rely on rather simple concepts and are easy to implement; (ii) do not require gradient information; (iii) can bypass local optima; (iv) can be utilized in a wide range of problems covering different disciplines. Nature-inspired meta-heuristic algorithms solve optimization problems by mimicking biological or physical phenomena. They can be grouped in three main categories (see Fig. 1): evolution- based, physics-based, and swarm-based methods. Evolution-based methods are inspired by the laws of natural evolution. The search process starts with a randomly generated population which is evolved over subsequent generations. The strength point of these methods is that the best individuals are always combined together to form the next generation of individuals. This allows the population to be optimized over the course of generations. The most popular evolution-inspired technique is Genetic Algorithms (GA) [1] that simulates the Darwinian evolution. Other popular algorithms are Evolution Strategy (ES) [110], Probability-Based Incremental Learning (PBIL) [111], Genetic Programming (GP) [2], and Biogeography-Based Optimizer (BBO) [3]. Physics-based methods imitate the physical rules in the universe. The most popular algorithms are Simulated Annealing (SA) [4,5] , Gravitational Local Search (GLSA) [6] , Big-Bang Big-Crunch (BBBC) [7] , Gravitational Search Algorithm (GSA) [8] , Charged System Search (CSS) [9] , Central Force Optimization (CFO) [10] , Artificial Chemical Reaction Optimization Algorithm (ACROA) [11] , Black Hole (BH) [12] algorithm, Ray Optimization (RO) [13] algorithm, Small-World Optimization Algorithm (SWOA) [14] , Galaxy-based Search Algorithm (GbSA) [15] , and Curved Space Optimization (CSO) [16].