پديد آورندگان :
رجبي مشتاقي، حجت اله دانشگاه آزاد اسلامي واحد علوم و تحقيقات - دانشكده مديريت و اقتصاد - گروه مديريت صنعتي، تهران، ايران , طلوعي اشلقي، عباس دانشگاه آزاد اسلامي واحد علوم و تحقيقات - دانشكده مديريت و اقتصاد - گروه مديريت صنعتي، تهران، ايران , معتدل، محمدرضا دانشگاه آزاد اسلامي واحد تهران مركزي - دانشكده مديريت - گروه مديريت صنعتي، تهران، ايران
كليدواژه :
بهينهسازي , الگوريتمهاي فراابتكاري , الگوريتم بهينهسازي نظامي , الگوريتمهاي تكاملي , الگوريتمهاي ازدحامي
چكيده فارسي :
در سال‌هاي اخير، شاهد ظهور و گسترش الگوريتمهاي فرا ابتكاري و استفاده از آنها جهت حل مسائل پيچيده، غيرخطي و ابعاد بالا بوده‌ايم. با توجه به اينكه الگوريتمهاي فوق براي حل مسائل پيچيده و در حال تغيير دنياي واقعي به كار ميروند، دنياي الگوريتمها و طراحي آنها به شكل فزاينده‌اي پويا و رو به رشد بوده است. بنابراين، پيوسته شاهد به وجود آمدن الگوريتمهاي جديدي هستيم. هدف از اين تحقيق، ارائه يك الگوريتم فرا ابتكاري جديد به نام «الگوريتم بهينهسازي نظامي» ميباشد.
روش‌شناسي پژوهش: با الهام از عملياتهاي نظامي الگوريتم پيشنهادي طراحي و ارائه گرديد و پس از كدنويسي، توابع تست استاندارد و الگوريتمهاي محك براي ارزيابي عملكرد آن تعيين و مشخص شدند.
يافته ها: عملكرد الگوريتم پيشنهادي به‌وسيله 23 تابع تست استاندارد و با در نظر گرفتن شاخصهاي «ميانگين جوابها»، «ميانگين زمان محاسباتي» و «زمان همگرايي» در مقايسه با هشت الگوريتم محك شامل: ژنتيك، ازدحام ذرات، كلوني زنبور مصنوعي، قورباغه جهنده، رقابت استعماري، گرگ خاكستري، بهينه سازي وال و بهينهسازي ملخ مورد ارزيابي و سنجش قرار گرفت. نتايج نشان‌دهنده عملكرد مطلوب الگوريتم پيشنهادي است.
اصالت/ارزش افزوده علمي: در اين مقاله، با الهام از عملياتهاي نظامي الگوريتم جديدي به نام الگوريتم بهينه سازي نظامي (MOA) ارائه ميشود كه مبتني بر جمعيت است و بر اساس «جستجوي تصادفي»، «تقسيم فضاي جواب به چند منطقه و تخصيص بخشي از جمعيت به هر منطقه»، «جستجوي سواره‌نظام» و «جستجوي پياده‌نظام» عمل مي‌كند.
چكيده لاتين :
In recent years, meta-heuristic algorithms and their application in solving complicated, nonlinear, and high dimensions problems have increased dramatically and the fact that meta-heuristic algorithms are used to solve complex and changing problems of real life, has caused the algorithms world and their design to be very dynamic and alive; that's why new algorithms are constantly being created. Hence, the purpose of this research is to introduce a novel meta-heuristic algorithm called Military Optimization Algorithm (MOA).
Methodology: Inspired by military operations, the proposed algorithm was designed and presented. After coding, Standard test functions and benchmark algorithms were determined to evaluate the performance of the algorithm.
Findings: The performance of new algorithm is analyzed by 23 standard test functions and compared to 8 benchmark meta-heuristic algorithms including: Genetic Algorithm, Particle Swarm Optimization, Artificial Bee Colony, Shuffled Frog Leaping Algorithm, and Imperialist Competitive Algorithm, Grey Wolf Optimizer, Whale Optimization Algorithm, and Grasshopper Optimization Algorithm, by considering three indices of "average answers", "time complexity of algorithm (speed)" and "Convergence speed/ time". The results show the excellent performance of the proposed algorithm.
Originality/Value: In this paper, inspired by military operations, a novel meta-heuristic algorithm called MOA is introduced. It is population-based and stable with "random search", "dividing solution space into several regions and allocating a part of the population to each region", "cavalry search", and "infantry search".
