ترجمه مقاله The Whale Optimization Algorithm

The Whale Optimization Algorithm

الگوریتم بهینه سازی نهنگ

چکیده:

این مقاله یک الگوریتم بهینه سازی فراابتکاری الهام گرفته از طبیعت را معرفی میکند، که به آن الگوریتم بهینه سازی نهنگ میگوییم (WOA) ، که رفتار اجتماعی نهنگ های کوهان دار (humpback) را تقلید میکند.این الگوریتم از استراتژی شکار شبکه حبابی الهام گرفته الهام گرفته شده است. الگوریتم WOA با 29 مسئله بهینه سازی ریاضی و 6 مسئله طراحی ساختار تست شده است . نتایج شبیه سازی اثبات میکند که الگوریتم WOA توان رقابتی بالایی در مقایسه با الگوریتم های فراابتکاری موجود  و روش های مرسوم را دارد.

a b s t r a c t

This paper proposes a novel nature-inspired meta-heuristic optimization algorithm, called Whale Opti- mization Algorithm (WOA), which mimics the social behavior of humpback whales. The algorithm is in- spired by the bubble-net hunting strategy. WOA is tested with 29 mathematical optimization problems and 6 structural design problems. Optimization results prove that the WOA algorithm is very competi- tive compared to the state-of-art meta-heuristic algorithms as well as conventional methods

جستجو برای طعمه (مرحله اکتشاف)

همین رویکرد بر اساس تنوع بردار A را میتوان برای جستجوی طعمه استفاده کرد (اکتشاف) . در حقیقت نهنگ های کوهان دار بصورت تصادفی با توجه به موقعیت هریک از یکدیگر جستجو را انجام میدهند. بنابراین ما از A با یک مقدار تصادفی بزرگتر از 1 یا کوچکتر از -1 برای مجبور کردن عامل جستجو برای حرکت از یک نهنگ مرجع استفاده میکنیم. در تقابل با مرحله بهره برداری، ما موقعیت عامل جستجو را در مرحله اکتشاف برحسب انتخاب تصادفی یک عامل جستجو بجای بهترین عامل جستجو تا کنون بروزرسانی میکنیم این مکانیزم و  فرض |A|>1 باعث اکتشاف می شود و به الگوریتم WOA اجازه میدهد تا جستجوی عمومی و کلی را انجام دهد.مدل ریاضی به شرح زیر می باشد:

Search for prey (exploration phase)

The same approach based on the variation of the  A vector can be utilized to search for prey (exploration). In fact, humpback whales search randomly according to the position of each other. Therefore, we use  A with the random values greater than 1 or less than −1 to force search agent to move far away from a reference whale. In contrast to the exploitation phase, we update the posi- tion of a search agent in the exploration phase according to a ran- domly chosen search agent instead of the best search agent found so far. This mechanism and |  A | > 1 emphasize exploration and al- low the WOA algorithm to perform a global search. The mathemat- ical model is as follows: