شبیه سازی مقاله Grasshopper Optimisation Algorithm Theory and application
ترجمه فارسی مقاله الگوریتم بهینه سازی ملخ: تئوری و کاربرد
ترجمه نام مقاله به فارسی:
ترجمه نام مقاله به انگلیسی:
الگوریتم بهینه سازی ملخ: تئوری و کاربرد
abstract
This paper proposes an optimisation algorithm called Grasshopper Optimisation Algorithm (GOA) and ap- plies it to challenging problems in structural optimisation. The proposed algorithm mathematically mod- els and mimics the behaviour of grasshopper swarms in nature for solving optimisation problems. The GOA algorithm is first bench marked on a set of test problems including CEC2005 to test and verify its performance qualitatively and quantitatively. It is then employed to find the optimal shape for a 52-bar truss, 3-bar truss, and cantilever beam to demonstrate its applicability. The results show that the pro- posed algorithm is able to provide superior results compared to well-known and recent algorithms in the literature. The results of the real applications also prove the merits of GOA in solving real problems with unknown search spaces.
Keywords:
Optimization
Optimization techniques
Heuristic algorithm
Metaheuristics
Constrained optimization
Benchmark
Algorithm
چکیده
در این مقاله یک الگوریتم بهینه سازی به نام الگوریتم بهینه سازی ملخ (GOA) پیشنهاد شده و کاربرد آن از نظر قدرت و مشکلات چالش برانگیز این الگوریتم مورد بررسی قرار گرفته است. الگوریتم پیشنهادی با استفاده از مدلهای ریاضی و تقلید رفتار ذرات ملخ در طبیعت برای حل مسائل بهینه سازی استفاده کرده است. الگوریتم GOA اولین بار در یک مجموعه ای از مسائل از جمله CEC2005 آزمایش شده و عملکرد کمی و کیفی آن مورد ارزیابی قرار گرفت. سپس برای پیدا کردن شکل مطلوب برای یک خرپا ۵۲ بار، ۳ بار خرپا، و … برای نشان دادن کاربرد آن استفاده شد. نتایج نشان می دهند که الگوریتم ارائه شده ی ما نتایج برتری نسبت به سایر الگوریتم های شناخته شده و اخیر ارائه می دهد. نتایج حاصل نیز نشان از کاربردی و قوی بودن GOA برای حل مسائل واقعی با فضاهای جستجوی ناشناخته را اثبات می کند.
این الگوریتم در سال ۲۰۱۷ توسط دو ایرانی در دانشگاهی در استرالیا ابداع شد. این الگوریتم نیز همانند سایر الگوریتم های بهینه سازی سعی در یافتن جواب بهینه در میان چندین پاسخ می باشد. همان طور که از اسمش پیداست این الگوریتم از حرکات واقعی ملخ ابداع شده است. الگوریتم بهینه سازی ملخ جز تازه ترین و یکی از قدرتمندترین الگوریتم های بهینه سازی به حساب می آید. شبیه سازی این مقاله بصورت کامل انجام شده و حالا شما می توانید با تغییر تابع هدف خود و با تغییراتی بسیار ساده مسئله ی خود را توسط این الگوریتم بهینه سازی نمایید. از طرفی به دلیل تازه بودن این الگوریتم چاپ مقالات علمی توسط آن بسیار راحت تر از سایر الگوریتم ها نظیر الگوریتم ژنتیک و ازدحام ذرات و … می باشد.
شکل زیر خروجی شبیه سازی در متلب می باشد:
با مطالعه ی مقاله می توانید به راحتی، طرز کار این الگوریتم را یاد گرفته و از آن برای شبیه سازی های خود استفاده نمایید.
سال ارائه | ELSEVIER 2017 |
گزارش کار | ندارد |
ترجمه | دارد |
پاورپوینت | ندارد |
شبیه سازی | ام فایل Matlab |
الگوریتم بهینه سازی ملخ: تئوری و کاربرد , Grasshopper Optimisation Algorithm Theory and application الگوریتم بهینه سازی ملخ: تئوری و کاربرد , شبیه سازی مقاله Grasshopper Optimisation Algorithm Theory and application شبیه سازی مقاله بازار برق ,شبیه سازی مقاله مباحث ویژه ,پروژه بازار برق در سیستم قدرت
سایت ematlab.com سایت ایمتلب سایت ematlab.com سایت ایمتلب سایت ematlab.com سایت ایمتلب سایت ematlab.com سایت ایمتلب سایت ematlab.com سایت ایمتلب
دیدگاه ها