برنامه های مهندسی الگوریتم شاخص نشانگر فیبوناچی هوش مصنوعی: ابزاری جدید برای مشکلات بهینه سازی پیچیده

در این مقاله یک الگوریتم متا-هوریستی جدید معرفی شده است. این الگوریتم بهینه سازی از ابزار بسیار محبوب در بین بازرگانان فنی موجود در بورس اوراق بهادار به نام شاخص Fibonacci الهام گرفته شده است. شاخص فیبوناچی برای پیش بینی حداکثر و حداقل قیمت محلی ممکن است و دوره هایی که قیمت سهام آن مقدار قابل توجهی از حرکت را تجربه می کند. الگوریتم نشانگر فیبوناچی پیشنهادی در چندین عملکرد معیار تا 100 بعد تأیید شده است تا مقایسه ای با الگوریتم هایی مانند پسوندهای DE ، پسوندهای PSO ، ABC ، ABC-PS ، CS ، MCS و GSA در توانایی همگرایی و یافتن بهینه جهانی داشته باشد. در زمینه های تحقیقاتی مختلف. سرانجام از دو مشکل طراحی مهندسی برای نشان دادن عملکرد الگوریتم استفاده می شود. استفاده از الگوریتم شاخص فیبوناچی پیشنهادی در مجموعه گسترده ای از توابع معیار ، توانایی خود را برای مقابله با مشکلات بهینه سازی دشوار ادعا کرده است.

به PDF کامل مراجعه کنید به PDF کامل مراجعه کنید

مقالات مرتبط

بارگیری رایگان PDF PDF

یادداشت های سخنرانی در علوم کامپیوتر

بارگیری رایگان PDF PDF

یک الگوریتم کلونی زنبور عسل Rosenbrock (RABC) که ترکیبی از روش چرخشی Rosenbrock با یک الگوریتم کلونی زنبور مصنوعی (ABC) برای بهینه سازی دقیق عددی است. دو مرحله جایگزین از RABC وجود دارد: مرحله اکتشاف تحقق یافته توسط ABC و مرحله بهره برداری که با روش جهت چرخشی تکمیل شده است. الگوریتم پیشنهادی بر روی مجموعه ای جامع از مشکلات معیار پیچیده ، شامل طیف گسترده ای از ابعاد ، مورد آزمایش قرار گرفت و همچنین با چندین الگوریتم مقایسه شد. نتایج عددی نشان می دهد که الگوریتم جدید از نظر سرعت همگرایی ، میزان موفقیت و دقت امیدوار کننده است. RABC پیشنهادی همچنین قادر است با تغییرات جهت در مشکلات همراه باشد.

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

مجله نرم افزار

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

الگوریتم BAT بهبود یافته با توزیع تصادفی Gaussian Walk (BAGD) در این مقاله معرفی شده است. الگوریتم BAT اصلی مشکل طول مرحله بزرگ تصادفی دارد که منجر به راه حل های زیر بهینه در فضای جستجو می شود و نمی تواند مشکلات بعدی بالاتری را حل کند. برای حل مشکلات بعدی بالاتر و برای کاهش اندازه طول مرحله ، این تحقیق بر استفاده از توزیع گاوسی در الگوریتم خفاش است که طول مرحله کوتاه تر را در طول جستجو فراهم می کند. BAGD پیشنهادی با شش الگوریتم متهوریستی محبوب در ده عملکرد معیار مقایسه شد. نتایج مقایسه ای نشان داد که BAGD پیشنهادی در بیشتر موارد عملکرد بهتری نسبت به الگوریتم های پیشرفته دارد. محلول BAGD پیشنهادی از طول مرحله کوچک در فضای جستجو استفاده کرد و توانست مشکلات بعدی ابعادی را حل کند.

بارگیری رایگان PDF PDF

مجله مهندسی Ain Shams

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

h i g h l i g h t s • یک الگوریتم متهوریستی مبتنی بر فیزیک جدید برای شبیه سازی رفتار قانون هنری ، که به آن HGSO گفته می شود ، پیشنهاد کرده است.• الگوریتم HGSO در چندین معیار مانند 47 عملکرد معیار ، 3 مشکل طراحی مهندسی و مشکلات مجموعه تست CEC'17 ارزیابی کرده است.• نتایج تجربی نشان داد که HGSO در برابر سایر الگوریتم های رقابتی به برتری قابل توجهی رسیده است. A B S T R A C T چندین الگوریتم بهینه سازی متهوریستی برای حل مشکلات دنیای واقعی اخیراً ایجاد شده است. در این مقاله یک الگوریتم متهوریستی جدید به نام بهینه سازی حلالیت هنری گاس (HGSO) ارائه شده است ، که از رفتارهای حاکم بر قانون هنری برای حل مشکلات بهینه سازی چالش برانگیز تقلید می کند. قانون هنری یک قانون اساسی گاز است که مربوط به میزان گاز معین است که به یک نوع و حجم معین از مایع در دمای ثابت حل می شود. الگوریتم HGSO از رفتار هولناک گاز برای تعادل بهره برداری و اکتشاف در فضای جستجو تقلید می کند و از Optima محلی جلوگیری می کند. عملکرد HGSO بر روی 47 عملکرد معیار ، مجموعه تست CEC'17 و سه مشکل بهینه سازی در دنیای واقعی آزمایش شده است. نتایج با هفت الگوریتم شناخته شده مقایسه می شود. بهینه سازی swarm ذرات (PSO) ، الگوریتم جستجوی گرانشی (GSA) ، الگوریتم جستجوی فاخته (CS) ، بهینه سازی گرگ خاکستری (GWO) ، الگوریتم بهینه سازی نهنگ (WOA) ، الگوریتم گله دار فیل (EHO) و آنیلینگ شبیه سازی شده (SA). علاوه بر این ، برای ارزیابی عملکرد آماری زوج الگوریتم های رقابتی ، یک آزمون جمع رتبه Wilcoxon انجام می شود. نتایج تجربی نشان داد که HGSO هنگام حل مشکلات بهینه سازی چالش برانگیز ، نتایج رقابتی و برتر را در مقایسه با سایر الگوریتم ها ارائه می دهد.

بارگیری رایگان PDF PDF