مشخصات مقاله:
عنوان فارسی مقاله:
الگوریتم بهینه سازی کوکو
عنوان انگلیسی مقاله:
Cuckoo Optimization Algorithm
کلمات کلیدی مقاله:
الگوریتم بهینه‌سازی کوکو (COA)، الگوریتم‌های تکاملی، بهینه‌سازی غیرخطی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات و مهندسی نرم افزار
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1.مقدمه
2.کوکوها و سبک زندگی خاص آن‌ها برای تولید مثل
3.الگوریتم پیشنهادی بهینه‌سازی کوکو (COA)
3.1.ساخت زیستگاه اولین کوکوها
3.2. روش تخم‌گذاری کوکوها
3.3. مهاجرت کوکوها
3.4. نابودسازی کوکوهای ساکن در بدترین زیستگاه‌ها
3.5. همگرایی
4. محک‌های الگوریتم بهینه‌سازی کوکو
4.1. توابع هزینه آزمایش
4.2. طراحی کنترل‌کننده چند متغیره
4.2.1. کنترل‌کننده PID برای فرآیندهای چند ورودی چند خروجی
4.2.2. طراحی تکاملی PID
5. نتیجه‌گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Optimization is the process of making something better. In other words, optimization is the process of adjusting the inputs to or characteristics of a device, mathematical process, or experiment to find the minimum or maximum output or result. The input consists of variables: the process or function is known as the cost function, objective function, or fitness function; and the output is the cost or fitness [1]. There are different methods for solving an optimization problem. Some of these methods are inspired from natural processes. These methods usually start with an initial set of variables and then evolve to obtain the global minimum or maximum of the objective function. Genetic Algorithm (GA) has been the most popular technique in evolutionary computation research. Genetic Algorithm uses operators inspired by natural genetic variation and natural selection [2,3]. Another example is Particle Swarm Optimization (PSO) which was developed by Eberhart and Kennedy in 1995. This stochastic optimization algorithm is inspired by social behavior of bird flocking or fish schooling [3–5]. Ant Colony Optimization (ACO) is another evolutionary optimization algorithm which is inspired by the pheromone trail laying behavior of real ant colonies [3,6,7]. On the other hand Simulated Annealing simulates the annealing process in which a substance is heated above its melting temperature and then gradually cools to produce the crystalline lattice, which minimizes its energy probability distribu- tion [1,8,9]. Besides these well known methods, the investigations on nature inspired optimization algorithms are still being done and new methods are being developed to continually solve some sort of nonlinear problems. In [10], making use of the ergodicity and internal randomness of chaos iterations, a novel immune evolutionary algorithm based on the chaos optimization algorithm and immune evolutionary algorithm is presented to improve the convergence performance of the immune evolutionary algorithm. The novel algorithm integrates advantages of the immune evolutionary algorithm and chaos optimization algorithm. [11] introduces a new optimization technique called Grenade Explosion Method (GEM) and its underlying ideas, including the concept of Optimal Search Direction (OSD), are elaborated. In[12] a new particle swarm optimizationmethod based on the clonal selection algorithm is proposed to avoid premature convergence and guarantee the diversity of the population.
1.مقدمه
فرآیند بهتر کردن چیزها، بهینه‌سازی نام دارد. به عبارتی، بهینه‌سازی فرآیند تنظیم ورودی‌ها یا ویژگی‌های یک دستگاه (فرآیند ریاضیاتی) و یا آزمایش حصول کمینه و بیشینه خروجی یا نتیجه محسوب می‌شود. ورودی از دو متغیر تشکیل می‌شود: فرآیند یا تابعی به نام تابع هزینه، تابع هدف و یا تابع تناسب و خروجی نیز هزینه یا تناسب است [1]. روش‌های متفاوتی برای حل مسائل بهینه‌سازی مطرح شده است که برخی از آن‌ها از فرآیندهای طبیعی الهام گرفته شده‌اند. این روش‌ها معمولاً با مجموعه‌ای از متغیرهای اولیه شروع و سپس برای دستیابی به کمینه یا بیشینه سراسری تابع هدف تکامل پیدا می‌کنند. الگوریتم ژنتیک (GA) متداولترین روش پژوهش محاسبات تکاملی بوده است که با الهام‌گیری از تنوع ژنتیکی طبیعی و انتخاب طبیعی از عملگرها استفاده می‌کند [2، 3]. از دیگر نمونه‌ها می‌توان به بهینه‌سازی ازدحام ذرات (PSO) اشاره کرد که ابرهارت و کندی در سال 1995 آن‌را طراحی نمودند. رفتار اجتماعی حرکت دسته جمعی پرندگان یا ماهی‌ها، منبع الهام این الگوریتم بهینه‌سازی تصادفی بوده است [5-3]. بهینه‌سازی کلونی مورچگان (ACO)، الگوریتم بهینه‌سازی تکاملی دیگری است که از رفتار دنباله‌گذاری فرومون کلونی‌های واقعی مورچگان الهام گرفته شده است [3، 6، 7]. از طرفی، بازپخت شبیه‌سازی شده، فرآیند بازپخت را به گونه‌ای شبیه‌سازی می‌کند که در آن یک ماده بالای دمای ذوب خود حرارت می‌بیند و سپس به تدریج برای تولید شبکه کریستال سرد می‌شود که این نیز باعث می‌شود توزیع احتمال انرژی آن به حداقل برسد [1، 8، 9].