الگوریتم جستجوی کوکو براساس تحقیق محلی جهش قورباغه و نظریه بی نظمی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوریتم جستجوی کوکو براساس تحقیق محلی جهش قورباغه و نظریه بی نظمی

عنوان لاتین

Cuckoo search algorithm based on frog leaping local search and chaos theory

الگوریتم کوکو یک الگوریتم بهینه سازی جدید در زمینه الگوریتم های هوش هیجانی می باشد. با توجه به جهش تصادفی قوی در تحقیق فضای راه حل، تحقیقات محلی دقیق مستعد قرار گیری در بهینه مطلوب هستند. از این رو، فاز بعدی بهینه سازی کند شده و دقت کاهش می یابد. جهت بهبود بخشیدن به عملکرد الگوریتم، این مقاله یک تحقیق کوکو بهبود یافته را مطرح می نماید که از نظریه بی نظمی جهت ارتقاء بخشیدن به تنوع جمعیت اولیه استفاده می نماید. سپس، این مطالعه به معرفی وزن اینرسی در تحقیق تصادفی پرواز لوی جهت بهبود بخشیدن به قابلیت تحقیق جهانی استفاده می نماید. در نهایت، این مطالعه از مکانیسم تحقیق محلی الگوریتم جهش قورباغه جهت ارتقاء بخشیدن به تحقیق محلی و بهبود بخشیدن به سرعت تحقیق و دقت همگرایی الگوریتم استفاده می نماید. توابع آزمون نمونه جهت بررسی عملکرد الگوریتم بهبود یافته مورد استفاده قرار می گیرند. نتایج مقایسه با دیگر الگوریتم ها نشان می دهند که الگوریتم بهبود یافته نشانگر دقت بهینه سازی قوی و سرعت بالا می باشد. علاوه بر این، این الگوریتم همگرا می باشد.

Cuckoo algorithm is a novel optimization algorithm in the field of heuristic intelligence algorithms. Given the strong random leaping in solution space search, careful local searches are susceptible to falling into the local optimum. Thus, the latter phase of the optimization slows down and the accuracy diminishes. To improve the performance of the algorithm, this paper proposes an improved cuckoo search that utilizes chaos theory to enhance the variety of the initial population. Then, this study introduces inertia weight into the Lévy flight random search to improve global searching capability. Finally, it applies the local search mechanism of the frog leaping algorithm to enhance local search and further improve the search speed and convergence precision of the algorithm. Typical test functions are employed to verify the performance of the improved algorithm. Comparison results with other algorithms indicate that the improved algorithm displays strong optimizing accuracy and high speed. Furthermore, this algorithm is confirmed to be convergent.