فایل ورد کامل الگوریتم بهینه سازی انطباقی جدید وال برای بهینه سازی جهانی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل الگوریتم بهینه سازی انطباقی جدید وال برای بهینه سازی جهانی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۰ صفحه

۱- مقدمه
تصادفی سازی در الگوریتم های فراابتکاری نقش بسیار حیاتی در اکتشاف و بهره برداری ایفاء می کند . تکنیک های تصادفی سازی قدرتمند تر یک سری زنجیره های مارکوف ، پرش های (پرواز های ) لوی و توزیع گوسی یا نرمال هستند و جدیدترین تکنیک از نوع انطباقی می باشد . از اینرو ، الگوریتم های فرا ابتکاری در ترکیب با تکنیک انطباقی به زمان محاسباتی کمتر منجر می گردد تا به راه حل بهینه ، اجتتاب حداقلی محلی و همگرایی سریع تر منجر گردد .
WAO مبتنی بر جمعیت یک الگوریتم بهینه سازی فراابتکاری می باشد که از توانایی برخوردار بوده است تا از بهینه محلی اجتناب نماید و به راه حل بهینه جهانی دست یابد که ان را برای کاربرد های عملی بدون اصلاحات ساختاری در الگوریتمی برای حل مسایل بهینه سازی متفاوت محدود شده یا محدود نشده مناسب می سازد . WOA در زمانی که با تکنیک انطباقی یکپارچه شده است باعث کاهش های محاسباتی برای مشکلات بی نهایت پیچیده می گردد .
کار های معاصر با تکنیک انطابقی عبارتند از : الگوریتم جستجو Cuckoo انطباقی (ACSA) ، QGA ، تخلیه ناقص صوتی (PD) ، HGAPSO ، PSACO ، HSABA ، PBILKH ، KH-QPSDO ، PSACO ، HSABA ، PBILKH ، KH-QPSO ، IFA-HS ، HS/FA ، CKH-HS/BA ، HPSACO-CSKH ، HS-CSS ، PSOHS ، DEKH ، HS/CS ، HSBBO ، CSS-PSO و غیره .
ساختار مقاله به صورت زیر نشان داده می شود : بخش اول شامل مقدمه ؛ بخش دوم شامل توصیف الگوریتم های اصلی می باشد ؛ بخش سوم از تحلیل نتایج رقابتی مشکل محک تست محدود نشده تشکیل می گردد ؛ در نهایت تایید و نتیجه گیری بر ایای نتایج استخراج می گردد .
۲ – الگوریتم بهینه سازی وال
الگوریتم بهینه سازی که همین اواخر در الگوریتم فراابتکاری پیشنهاد شده است را الگوریتم بهینه سازی وال(WOA) می نامند که از استراتژی شکار شبکه حباب الهام گرفته شده است . رفتار شکار خاص وال های گوژپشت در الگوریتم توصیف می گردد ، وال ها از حباب های نوعی تبعیت می کنند و این کار یک دایره یا مسیر شکل عدد ۹ را ایجاد می کند در حالی که صیدرا در طول عملیات شکار محاصره می کنند . رفتار شکار / تغذیه شبکه حباب به راحتی می توانست این گونه درک گردد که وال گوژ پشت تقریبا ۱۰ تا ۱۵ متر در آب پایین رفته است و سپس بعد از شروع برای تولید حباب هایی در شکل مارپیچ به دور شکار حلقه می کند و سپس از حباب ها تبعیت می کند و به سمت بالا در سطح آب حرکت می کند . مدل ریاضی برای الگوریتم بهینه سازی وال به صورت زیر نشان داده می شود :

عنوان انگلیسی:A Novel Adaptive Whale Optimization Algorithm for Global Optimization~~en~~

۱ Introduction

In the meta-heuristic algorithms, randomization plays a very crucial role in both exploration and exploitation. More strengthen randomization techniques are Markov chains, Levy flights and Gaussian or normal distribution and newest technique is adaptive technique. So meta-heuristic algorithms on integrated with adaptive technique results in less computational time to reach optimum solution, local minima avoidance and faster convergence. Population based WOA1 is a meta-heuristic optimization algorithm has an ability to avoid local optima and get global optimal solution that make it appropriate for practical applications without structural modifications in algorithm for solving different constrained or unconstraint optimization problems. WOA integrated with adaptive technique reduces the computational times for highly complex problems. Contemporary works with adaptive technique are: Adaptive Cuckoo Search Algorithm (ACSA)2,3, QGA4 , Acoustic Partial discharge (PD)5,6, HGAPSO7 , PSACO8 , HSABA9 PBILKH10, KH-QPSO11, IFA-HS12, HS/FA13, CKH14 HS/BA15HPSACO16 CSKH17, HS-CSS18, PSOHS19, DEKH20, HS/CS21, HSBBO22, CSS-PSO23 etc. The structure of the paper can be given as follows: – Section I consists of Introduction; Section II includes description of main algorithms; section III consists of competitive results analysis of unconstraint test benchmark problem; finally, acknowledgement and conclusion based on results is drawn.

۲ Whale Optimization Algorithm

In the meta-heuristic algorithm, a newly purposed optimization algorithm called Whale optimization algorithm (WOA), which inspired from the bubble-net hunting strategy. Algorithm describes the special hunting behavior of humpback whales, the whales follows the typical bubbles causes the creation of circular or ‘۹-shaped path’ while encircling prey during hunting. Simply bubble-net feeding/hunting behavior could understand such that humpback whale went down in water approximate 10-15 meter and then after the start to produce bubbles in a spiral shape encircles prey and then follows the bubbles and moves upward the surface. Mathematic model for Whale Optimization algorithm (WOA) is given as follows:

$$en!!