دانشگاه سمنان

 آمار

تعداد نشریات21
تعداد شماره‌ها635
تعداد مقالات9,313
تعداد مشاهده مقاله67,881,116
تعداد دریافت فایل اصل مقاله17,077,277
گیوکی, داور, ابراهیمی, جواد, سرشار, مریم. (1403). معرفی نسخه بهبودیافته الگوریتم خفاش. نشریه هنرهای کاربردی, 22(79), 267-279. doi: 10.22075/jme.2024.33011.2608
داور گیوکی; جواد ابراهیمی; مریم سرشار. "معرفی نسخه بهبودیافته الگوریتم خفاش". نشریه هنرهای کاربردی, 22, 79, 1403, 267-279. doi: 10.22075/jme.2024.33011.2608
گیوکی, داور, ابراهیمی, جواد, سرشار, مریم. (1403). 'معرفی نسخه بهبودیافته الگوریتم خفاش', نشریه هنرهای کاربردی, 22(79), pp. 267-279. doi: 10.22075/jme.2024.33011.2608
گیوکی, داور, ابراهیمی, جواد, سرشار, مریم. معرفی نسخه بهبودیافته الگوریتم خفاش. نشریه هنرهای کاربردی, 1403; 22(79): 267-279. doi: 10.22075/jme.2024.33011.2608

معرفی نسخه بهبودیافته الگوریتم خفاش

مدل سازی در مهندسی
دوره 22، شماره 79، دی 1403، صفحه 267-279    اصل مقاله (2 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22075/jme.2024.33011.2608
نویسندگان
داور گیوکی* 1؛ جواد ابراهیمی2؛ مریم سرشار3
1گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی دانشگاه ملایر، ملایر، ایران
2گروه مهندسی برق، موسسه آموزش عالی آفرینش علم گستر بروجرد، بروجرد، ایران
3گروه مهندسی کامپیوتر، موسسه آموزش عالی آفرینش علم گستر بروجرد، بروجرد، ایران
تاریخ دریافت: 14 بهمن 1402،  تاریخ بازنگری: 09 اردیبهشت 1403،  تاریخ پذیرش: 16 خرداد 1403 
چکیده
الگوریتم خفاش، نمونه‌ای از الگوریتم‌های فراابتکاری از خانوادۀ هوش جمعی است که براساس رفتار پژواک‌یابی خفاش بنا شده است. این الگوریتم تنوع راه‌حل را با استفاده از روش تنظیم فرکانس حفظ می‌‌کند که می‌تواند به سرعت و به‌صورت کارآمد از مرحلۀ اکتشاف به بهره‌برداری تغییر مکان دهد. بنابراین، هنگامی که به یک راه‌حل سریع و دقیق نیاز باشد، این الگوریتم به یک بهینه‌ساز کارآمد برای هر برنامۀ کاربردی تبدیل می‌شود. الگوریتم خفاش با وجود فواید زیاد و کاربردی، دارای معایبی نیز است. یکی از این معایب که باعث کاسته شدن کارایی آن می‌شود، به دام افتادن در بهینۀ محلی است. برای حل مشکل مذکور در این پژوهش موقعیت و سرعت جمعیت اولیه را به سه روش با فرمول‌های مختلف بروز کرده، این امر باعث می‌شود تا پاسخ نهایی مسئله در بهینه محلی به دام نیفتد و تنوع در جمعیت رخ دهد. در این مقاله عملکرد الگوریتم خفاش بهبودیافته روی 11 تابع هدف نمونه بررسی و با سایر الگوریتم‌های مشابه مقایسه شده است، که نهایتاً نتایج حاصل شده نشان از برتری و دقت این الگوریتم نسبت به نمونه‌های مشابه دارد.
کلیدواژه‌ها
بهینه‌سازی؛ هوش جمعی؛ الگوریتم فراابتکاری؛ بهینۀ محلی؛ الگوریتم خفاش
عنوان مقاله [English]
Proposing an Improved Version of the Bat Algorithm
نویسندگان [English]
Davar Giveki1؛ Javad Ebrahimi2؛ Maryam Sarshar3
1Department of Computer Engineering, Technical and Engineering Faculty of Malayer University, Malayer, Iran
2Department of Electrical Engineering, Institute of Higher Education Afarinesh Alam Gostar Borujard, Borujard, Iran
3Department of Computer Engineering, Institute of Higher Education Afarinesh Alam Gostar Borujard, Borujard, Iran
چکیده [English]
The bat algorithm is an example of meta-heuristic algorithms from the collective swarm intelligence, which is based on the echolocation behavior of bats. This algorithm preserves the diversity of the solution by using a frequency tuning method that can quickly and efficiently shift from exploration to exploitation. Therefore, when a fast and accurate solution is needed, this algorithm becomes an efficient optimizer for any application. Although the bat algorithm has many practical benefits, it also has some disadvantages. One of these disadvantages that reduces its efficiency is being trapped in the local optimum. To solve the mentioned problem in this research, the position and speed of the initial population is updated in three ways with different formulas, this makes the final answer of the problem not trapped in the local optimum and diversity occurs in the population. In this article, the performance of the improved bat algorithm on 11 sample objective functions has been investigated and compared with other similar algorithms, and finally the results show the superiority and accuracy of this algorithm compared to similar samples.
کلیدواژه‌ها [English]
Optimization, Swarm intelligence, Meta-Heuristic algorithm, Local optimum, Bat algorithm
مراجع
  1. I. Fister. "A comprehensive review of bat algorithms and their hybridization." PhD diss, Univerza v Mariboru, Fakulteta za elektrotehniko, računalništvo in informatiko, 2013.
  2. H. Rastegar, D. Giveki, and M. Choubin. "EEG signals classification using a new radial basis function neural network and jellyfish meta-heuristic algorithm." Evolutionary Intelligence17, no. 2 (2024): 1197-1208.
  3. D. Giveki, and M. Karami. "Scene classification using a new radial basis function classifier and integrated SIFT–LBP features." Pattern Analysis and Applications23, no. 3 (2020): 1071-1084.
  4. S.A. Mirjalili, and A. Lewis. "The whale optimization algorithm." Advances in Engineering Software95 (2016): 51-67.
  5. S. Kirkpatrick, C. Daniel Gelatt Jr, and M.P. Vecchi. "Optimization by simulated annealing." Science220, no. 4598 (1983): 671-680.
  6. A. Hatamlou. "Black hole: A new heuristic optimization approach for data clustering." Information Sciences222 (2013): 175-184.
  7. J.H. Holland. "An introductory analysis with applications to biology, control, and artificial intelligence." Adaptation in Natural and Artificial Systems. First Edition, The University of Michigan, USA (1975).
  8. H.G. Beyer, and H.P. Schwefel. "Evolution strategies–a comprehensive introduction." Natural Computing1 (2002): 3-52.
  9. D. Simon. "Biogeography-based optimization." IEEE Transactions on Evolutionary Computation12, no. 6 (2008): 702-713.
  10. J. Kennedy, and R. Eberhart. "Particle swarm optimization." In Proceedings of ICNN'95-International Conference on Neural Networks, vol. 4, pp. 1942-1948. ieee, 1995.
  11. M. Dorigo, V. Maniezzo, and A. Colorni. "Ant system: optimization by a colony of cooperating agents." IEEE Transactions on Systems, Man, and Cybernetics, part b (cybernetics) 26, no. 1 (1996): 29-41.
  12. S.A. Mirjalili, S.M. Mirjalili, and A. Lewis. "Grey wolf optimizer." Advances in Engineering Software 69 (2014): 46-61.
  13. S.A. Mirjalili, and A. Lewis. "The whale optimization algorithm." Advances in Engineering Software 95 (2016): 51-67.
  14. X.S. Yang. "A new metaheuristic bat-inspired algorithm." In Nature Inspired Cooperative Strategies for Optimization (NICSO 2010), pp. 65-74. Berlin, Heidelberg: Springer Berlin Heidelberg, 2010.
  15. X.S. Yang. "Nature-inspired optimization algorithms: Challenges and open problems." Journal of Computational Science 46 (2020): 101104.
  16. Z.W. Geem, J.H. Kim, and G.V. Loganathan. "A new heuristic optimization algorithm: harmony search." Simulation 76, no. 2 (2001): 60-68.
  17. G.Q. Huang, W.J. Zhao, and Q.Q. Lu. "Bat algorithm with global convergence for solving arge-scale optimization problem." Jisuanji Yingyong Yanjiu 30, no. 5 (2013): 1323-1328.
  18. R.Y. Nakamura, L.A. Pereira, K.A. Costa, D. Rodrigues, J.P. Papa, and X.S. Yang. "BBA: a binary bat algorithm for feature selection." In 2012 25th SIBGRAPI Conference on Graphics, Patterns and Images, pp. 291-297. IEEE, 2012.
  19. S.A. Mirjalili, S.M. Mirjalili, and X.S. Yang. "Binary bat algorithm." Neural Computing and Applications 25 (2014): 663-681.
  20. G. Komarasamy, and A. Wahi. "An optimized K-means clustering technique using bat algorithm." European Journal of Scientific Research 84, no. 2 (2012): 263-273.
  21. G. Wang, L. Guo, H. Duan, L. Liu, and H. Wang. "A bat algorithm with mutation for UCAV path planning." The Scientific World Journal 2012, no. 1 (2012): 418946.
  22. I. Fister Jr, D. Fister, and X.S. Yang. "A hybrid bat algorithm." arXiv preprint arXiv:1303.6310 (2013).
  23. M.R. Chen, Y.Y. Huang, G.Q. Zeng, K.D. Lu, and L.Q. Yang. "An improved bat algorithm hybridized with extremal optimization and Boltzmann selection." Expert Systems with Applications 175 (2021): 114812.
  24. T.Vu-Huu, S. Pham-Van, Q.H. Pham, and T. Cuong-Le. "An improved bat algorithms for optimization design of truss structures." In Structures, vol. 47, pp. 2240-2258. Elsevier, 2023.
  25. M.R. Ramli, Z. Abal Abas, M.I. Desa, Z. Zainal Abidin, and M. Bader Alazzam. "Enhanced convergence of Bat Algorithm based on dimensional and inertia weight factor." Journal of King Saud University-Computer and Information Sciences 31, no. 4 (2019): 452-458.
  26. K. Li, Y. Han, F. Ge, W. Xu, and L. Liu. "Tracking a dynamic invading target by UAV in oilfield inspection via an improved bat algorithm." Applied Soft Computing 90 (2020): 106150.
  27. F. Xu, S. Zi, J. Wang, and J. Ma. "A computing offloading strategy for UAV based on improved bat algorithm." Cognitive Robotics 3 (2023): 265-283.
  28. Y. Li, X. Li, J. Liu, and X. Ruan. "An improved bat algorithm based on lévy flights and adjustment factors." Symmetry 11, no. 7 (2019): 925.
  29. S. Yilmaz, and E.U. Kucuksille. "Improved bat algorithm (IBA) on continuous optimization problems." Lecture Notes on Software Engineering 1, no. 3 (2013): 279.
  30. Y. Luo, C. Wu, Y. Leng, N. Huang, L. Mao, and J. Tang. "Throughput optimization for NOMA cognitive relay network with RF energy harvesting based on improved bat algorithm." Mathematics 10, no. 22 (2022): 4357.
  31. F. Soleimanian Gharehchopogh. "An Improved Bat Algorithm with Grey Wolf Optimizer for Solving Continuous Optimization Problems." Journal of Advances in Computer Engineering and Technology 4, no. 3 (2020): 119.
  32. H. Salimi. "Stochastic fractal search: a powerful metaheuristic algorithm." Knowledge-Based Systems 75 (2015): 1-18.
  33. Z.J. Li. "Improved bat algorithm based on grouping evolution and hybrid optimization." Math. Pr. Th 50 (2020): 141-149.
  34. T. Vu-Huu, S. Pham-Van, Q.H. Pham, and T. Cuong-Le. "An improved bat algorithms for optimization design of truss structures." In Structures, vol. 47, pp. 2240-2258. Elsevier, 2023.
  35. S. Yu, J. Zhu, and C. Lv. "A quantum annealing bat algorithm for node localization in wireless sensor networks." Sensors 23, no. 2 (2023): 782.
آمار
تعداد مشاهده مقاله: 153
تعداد دریافت فایل اصل مقاله: 144


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب