در این قسمت ترجمه الگوریتم Sine Cosine برای حل مسائل بهینه سازی SCA قرار گرفته شده است. ترجمه مقاله SCA: A Sine Cosine Algorithm for Solving Optimization Problems در 31 صفحه در قالب Word آماده شده است. این مقاله یک روش بهینه سازی با نام الگوریتم سینوس کسینوس را معرفی می کند. الگوریتم Sine Cosine یا به زبان خودمانی الگوریتم Sin Cos به اختصار SCA یک الگوریتم متاهیورستیک یا فرا ابتکاری است. این الگوریتم توسط سید علی میرجلیلی (Seyedali Mirjalili) در سال 2016 در مقاله ای با عنوان SCA: A Sine Cosine Algorithm for solving optimization problems در ژورنال Knowledge-Based Systems پایگاه علمی Elsevier ارائه شده است. در ادامه به معرفی این الگوریتم بهینه سازی پرداخته می شود. برای دانلود مقاله اصلی روی لینک زیر کلیک کنید.

دانلود pdf

چکیده انگلیسی

This paper proposes a novel population-based optimization algorithm called Sine Cosine Algorithm (SCA) for solving optimization problems. The SCA creates multiple initial random candidate solutions and requires them to fluctuate outwards or towards the best solution using a mathematical model based on sine and cosine functions. Several random and adaptive variables also are integrated to this algorithm to emphasize exploration and exploitation of the search space in different milestones of optimization. The performance of SCA is benchmarked in three test phases.

Firstly, a set of well-known test cases including unimodal, multi-modal, and composite functions are employed to test exploration, exploitation, local optima avoidance, and convergence of SCA. Secondly, several performance metrics (search history, trajectory, average fitness of solutions, and the best solution during optimization) are used to quantitatively and qualitatively observe and confirm the performance of SCA on shifted two-dimensional test functions. Finally, the cross-section of an aircraft’s wing is optimized by SCA as a real challenging case study to verify and demonstrate the performance of this algorithm in practice.

The results of test functions and performance metrics prove that the proposed algorithm is able to explore different regions of a search space, avoid local optima, converge towards the global optimum, and exploit promising regions of a search space during optimization effectively. The SCA algorithm obtains a smooth shape for the airfoil with a very low drag, which demonstrates that this algorithm can highly be effective in solving real problems with constrained and unknown search spaces. Note that the source codes of the SCA algorithm are publicly available at http://www.alimirjalili.com/SCA.html.

چکیده فارسی

در این مقاله یک الگوریتم بهینه سازی مبتنی بر جمعیت به نام الگوریتم (Sine Cosine (SCA برای حل مشکلات بهینه سازی ارائه شده است. SCA چندین راه حل کاندیدای تصادفی اولیه ایجاد می کند و از آنها می خواهد که با استفاده از یک مدل ریاضی مبتنی بر توابع سینوسی و کسینوسی، به صورت سینوسی و کسینوسی ( بالا و پایین) به سمت بهترین راه حل حرکت کنند. چندین متغیر تصادفی و تطبیقی نیز برای تأکید بر اکتشاف و بهره برداری از فضای جستجو در نقاط عطف بهینه سازی مختلف در این الگوریتم ادغام شده اند. عملکرد SCA در سه مرحله آزمایشی مشخص شده است.

در مرحله اول، مجموعه ای از موارد آزمون شناخته شده از جمله توابع تک حالته، چند حالته و ترکیبی برای آزمایش اکتشاف، بهره برداری، اجتناب از حالت بهینه محلی و همگرایی SCA استفاده می شود. چندین معیار عملکردی از قبیل (سابقه جستجو، مسیر، سازگاری متوسط راه حل ها و بهترین راه حل در حین بهینه سازی) برای مشاهده کمی و کیفی و تأیید عملکرد SCA در عملکردهای آزمون دو بعدی تغییر یافته استفاده می شود. سرانجام، سطح مقطع بال هواپیما توسط SCA به عنوان یک مطالعه موردی واقعی به چالش کشیده می شود تا به بررسی و نمایش عملکرد این الگوریتم در عمل پرداخته شود.

نتایج عملکردها و معیارهای عملکردی ثابت می کند که الگوریتم پیشنهادی قادر است به کشف مناطق مختلف یک فضای جستجو، جلوگیری از بهینه سازی محلی، همگرایی به سمت بهینه سراسری و استفاده از مناطق امیدوار کننده از یک فضای جستجو در حین بهینه سازی به طور مؤثر بپردازد. الگوریتم SCA شکل نرمی برای شکل مقطعی یک بال هواپیما بدست می آورد، که نشان می دهد این الگوریتم می تواند در حل مشکلات واقعی با فضاهای جستجو محدود و ناشناخته بسیار مؤثر باشد.

کلمات کلیدی : بهینه سازی؛ بهینه سازی تصادفی؛ بهینه سازی محدود؛ فرااکتشافی؛ الگوریتم مبتنی بر جمعیت

مقدمه

بهینه سازی به فرآیند یافتن مقادیر بهینه برای پارامترهای یک سیستم معین از کلیه مقادیر ممکن برای حداکثر رساندن یا به حداقل رساندن بازده آن اشاره دارد. مشکلات بهینه سازی را می توان در کلیه زمینه های مطالعه مشاهده کرد که این امر توسعه تکنیک های بهینه سازی را ضروری و یک مسیر مطالعاتی جالب برای محققان باز کرده است. با توجه به اشکال در تکنیک های بهینه سازی معمول، ایستایی و رکود مطلوب محلی و نیاز به استخراج فضای جستجو [1] ، در دو دهه گذشته علاقه زیادی به تکنیک های بهینه سازی تصادفی [2] مشاهده شده است [3-5].

الگوریتم های بهینه سازی تصادفی، مشکلات بهینه سازی را جعبه های سیاه می دانند [6]. این بدان معناست که استخراج مدلهای ریاضی مورد نیاز نیست زیرا چنین الگوریتم های بهینه سازی فقط ورودی ها را تغییر داده و بر خروجی های سیستم برای به حداکثر یا به حداقل رساندن نتایج خروجی آن نظارت می کنند. یکی دیگر از مزیت های در نظر گرفتن مشکلات به عنوان جعبه های سیاه، انعطاف پذیری بالا است، به این معنی که الگوریتم های تصادفی به راحتی برای مشکلات در زمینه های مختلف قابل اجرا هستند. همانطور که از نام تکنیک های بهینه سازی تصادفی مشخص است، آنها مشکلات بهینه سازی را به صورت تصادفی بهینه می کنند [7]. بنابراین، آنها ذاتاً با اجتناب از بهینه محلی بالاتر در مقایسه با الگوریتم های بهینه سازی معمولی سود می برند. طبقه بندی های مختلفی برای الگوریتم های بهینه سازی تصادفی در نوشته ها وجود دارد.

دو طبقه بندی اصلی، مبتنی بر الهام از یک الگوریتم از قبیل (مبتنی بر هوش دسته جمعی زنبوران [8] ، تکاملی [9] ، مبتنی بر فیزیک [10] و غیره) بوده و تعداد راه حل های تصادفی که یک الگوریتم در هر مرحله از بهینه سازی تولید می کند، می باشد. طبقه بندی آخر الگوریتم ها را به دو دسته تقسیم می کند: الگوریتم های تک راه حلی و و چند راه حلی. در کلاس اول، تنها یک راه حل به طور تصادفی تولید می شود و در طی بهینه سازی بهبود می یابد. در کلاس دوم، با این حال، یک الگوریتم بهینه سازی بیش از یک راه حل تصادفی (عمدتا بسیاری) ایجاد می کند و آنها را در هنگام بهینه سازی بهبود می بخشد.

با توجه به مزایای فوق، تکنیک های بهینه سازی تصادفی در کتابهای نوشته شده بسیار رواج یافته است. این محبوبیت نه تنها در زمینه بهینه سازی بلکه سایر زمینه های تحصیلی نیز به چشم می خورد. استفاده از الگوریتم های تصادفی را می توان در شاخه های مختلف علم و صنعت مشاهده کرد. از آنجا که تمرکز این مقاله بر تئوری است، موارد کاربردی بیشتر مورد بحث قرار نمی گیرد و خوانندگان علاقه مند میتوانند به این مراجع[11 ، 12] مراجعه کنند. تحقیقات نظری در نوشته ها را می توان به سه جهت اصلی تقسیم کرد: بهبود تکنیک های فعلی، ترکیب الگوریتم های مختلف و ارائه الگوریتم های جدید.

در رویکرد اول، محققان سعی می کنند الگوریتم هایی را با عملکردهای مختلف ریاضی یا تصادفی مجهز کنند تا عملکرد این گونه تکنیک ها را بهبود ببخشند. روشهای رایج در این کلاس عبارتند از: نقشه های بی نظم [13-17] ، اپراتورهای تکاملی [18-23] و جستجوی محلی [24-27] . دومین جهت پژوهشی محبوب با ترکیبی از الگوریتم های مختلف برای بهبود عملکرد یا حل مشکلات خاص سروکار دارد [28-35]. تعداد قابل توجهی از فرا اکتشافی ترکیبی درنوشته ها وجود دارند از قبیل [PSO-GA [36 و PSO-ACO [37], ACO-GA [38], GA-DE 39, و [40] PSO-DE و [ACO-DE[41  و [KH-CS[42 و [KH-BBO[43.

نکته آخر اینکه، پیشنهاد الگوریتم های جدید راهی برای تحقیقات محبوب برای محققان مختلف است. الهام گرفتن از یک الگوریتم جدید می تواند ناشی از پدیده های تکاملی، رفتار جمعی موجودات (تکنیک های هوش دسته جمعی زنبوران) ، قوانین فیزیکی و مفاهیم مرتبط با انسان باشد.

درباره محصول :

ترجمه مقاله SCA: A Sine Cosine Algorithm for Solving Optimization Problems به فارسی ( SCA: یک الگوریتم Sine Cosine برای حل مشکلات بهینه سازی) عنوان محصولی است که در قالب ورد به تعداد 31 صفحه بصورت دقیق و روان توسط متخصصان ترجمه رشته کامپیوتر انجام شده است. این ترجمه از طرف کارشناسان پی استور بررسی شده و محصول دارای نشان تضمین کیفیت می باشد. برای دانلود محصول آن راخریداری کنید به محض خرید لینک دانلود در دسترس خواهد بود.

1 دیدگاه برای ترجمه الگوریتم Sine Cosine برای حل مسائل بهینه سازی SCA

  1. امین جلیل زاده

    نظرات و پیشنهادات خود را با ما در میان بگذارید.

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *


همچنین ممکن است علاقه مند باشید …