پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 636 |
| تعداد مقالات | 9,326 |
| تعداد مشاهده مقاله | 67,929,000 |
| تعداد دریافت فایل اصل مقاله | 21,258,038 |
یک الگوریتم اصلاح شده گرگ خاکستری برای کاربردهای مهندسی | ||
| مدل سازی در مهندسی | ||
| دوره 22، شماره 76، اردیبهشت 1403، صفحه 189-195 اصل مقاله (651.77 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2023.29814.2401 | ||
| نویسنده | ||
| وحید محبوب* | ||
| استادیار، گروه مهندسی نقشه‌برداری، دانشکده مهندسی، دانشگاه گلستان، علی آباد کتول، ایران | ||
| تاریخ دریافت: 14 بهمن 1401، تاریخ بازنگری: 09 شهریور 1402، تاریخ پذیرش: 19 شهریور 1402 | ||
| چکیده | ||
| در این مقاله یک الگوریتم اصلاحشده گرگ خاکستری جهت استفاده در کاربردهای مهندسی ارائه میگردد. الگوریتم گرگ خاکستری از جمله روشهای بهینهسازی فراابتکاری است که به دلیل قابلیتهای خوبی که دارد، به تازگی مورد استفاده گسترده محققان قرار گرفته است. مکانیزم عاری از مشتقگیری، سادگی در اجرا و پیادهسازی و تنها نیاز به تابع هدف به عنوان ورودی مسئله، از جمله مواردی است که الگوریتم گرگ خاکستری را محبوب و مورد توجه میکند. اما مشکلی که در خصوص آن می توان اشاره کرد این است که ضریب کاهشی مورد استفاده در آن خطی است و در برخی مسایل غیر خطی سبب ایجاد خطای بیشتر یا دیر همگرا شدن به جواب اصلی میگردد. این نقصان با ارائه یک الگوریتم گرگ خاکستری اصلاح شده مرتفع میشود. سپس نتایج در قالب یک مثال عددی کاربردی در علوم مهندسی با الگوریتم اولیه گرگ خاکستری و همچنین برخی ضرایب پیشنهاد شده مشابه مقایسه میگردد تا کارآیی الگوریتم اصلاح شده، مشخص شود. | ||
| کلیدواژه‌ها | ||
| الگوریتم گرگ خاکستری؛ مدل غیرخطی؛ بهینه سازی؛ ضریب کاهشی | ||
| عنوان مقاله [English] | ||
| A Modified Grey Wolf Algorithm with Applications to Engineering | ||
| نویسندگان [English] | ||
| Vahid Mahboub | ||
| Assistant Professor, Department of Surveying Engineering, Faculty of Engineering, Golestan University, Aliabad Katoul, Iran | ||
| چکیده [English] | ||
| In this contribution, a modified gray wolf algorithm for use in engineering applications is presented. The grey wolf algorithm is one of the meta-heuristic optimization methods that has recently been widely used by researchers due to its good capabilities. The mechanism is free of derivation, simple in execution and implementation, and only needs target function as input of the problem, among other things that make the gray wolf algorithm popular and of interest. But the problem that can be mentioned about it is that the decreasing factor used in it is linear and in some non-linear problems, it may cause more error or late convergence to the original solution. This bottleneck is solved by presenting a modified grey wolf algorithm. Then the results are compared in the form of an applied numerical example in engineering sciences with the classic grey wolf algorithm and some similar proposed coefficients to determine the efficiency of the modified algorithm. | ||
| کلیدواژه‌ها [English] | ||
| GWO, Nonlinear model, Optimization, Decreasing factor | ||
| مراجع | ||
|
[1] V. Mahboub. "A weighted least-squares solution to a 3-D symmetrical similarity transformation without linearization." Studia Geophysica et Geodaetica 60, no. 2 (2016): 195-209. [2] V. Mahboub, S. Ebrahimzadeh, M. Saadatseresht, and M. Faramarzi. "On robust constrained Kalman filter for dynamic errors-in-variables model." Survey Review 52, no. 372 (2020): 253-260. [3] E. Bonabeau, M. Dorigo, G. Theraulaz, G. Theraulaz. Swarm intelligence: from natural to artificial systems. Oxford university press; 1999. [4] S.A. Mirjalili, S.M. Mirjalili, and A. Lewis. "Grey wolf optimizer." Advances in Engineering Software 69 (2014): 46-61. [5] K. Deb, and S. Srivastava. "A genetic algorithm based augmented Lagrangian method for constrained optimization." Computational Optimization and Applications 53 (2012): 869-902. [6] W. Long, X. Liang, Y. Huang, and Y. Chen. "An effective hybrid cuckoo search algorithm for constrained global optimization." Neural Computing and Applications 25 (2014): 911-926. [7] I. Brajevic. "Crossover-based artificial bee colony algorithm for constrained optimization problems." Neural Computing and Applications 26 (2015): 1587-1601. [8] Y. Li, X. Lin, and J. Liu. "An improved gray wolf optimization algorithm to solve engineering problems." Sustainability 13, no. 6 (2021): 3208. [9] M. Zhang, X. Zhang, H. Wang, G. Xiong, and W. Cheng. "Features fusion exaction and KELM with modified grey wolf optimizer for mixture control chart patterns recognition." Ieee Access 8 (2020): 42469-42480. [10] V. Mahboub, and S. Ebrahimzadeh. "Non-linear block least-squares adjustment for a large number of observations." Survey Review 54, no. 387 (2022): 479-489. [11] V. Mahboub. "On weighted total least-squares for geodetic transformations." Journal of Geodesy 86, no. 5 (2012): 359-367. | ||
|
آمار تعداد مشاهده مقاله: 439 تعداد دریافت فایل اصل مقاله: 322 |
||