ارائه یک الگوریتم جهش قورباغه بهبود یافته با مولفه شناختی

جهش ترکیبی قورباغهSFL( 1 یک الگوی جستجوی جمعی مبتنی بر جمعیت است که از ممتیکهای طبیعی الهام گرفته شده است. قابلیت تطبیقِ این الگوریتم با محیطهای پویاSFL را تبدیل به یکی از مهمترین الگوریتم- های ممتیک کرده است. در این مقاله به منظور بهبود ثبات این الگوریتم و همچنین برای افزایش توانایی آن برای جستجوی بهینهی سراسری، یک مولفهی شناختی 2 بهSFL اضافه میشود. با وجود این مولفه، هر قورباغه نه تنها موقعیت خود را بر اساس بهترین عضوِmemeplex یا بر اساس بهترین عضو موجود در جمعیت تنظیم میکند، بلکه در این میان موقعیت خودش را نیز میسنجد. برای ارزیابیSِFL بهبودیافتهISFL( شبیهسازیهای مختلفی انجام گرفت و در آنهاISFL و SFL با استفاده از شش بنچمارک بهینهسازی گسسته و پیوسته مقایسه شدند. بر طبق نتایج شبیهسازی، افزودن رفتار شناختی بهSFL به مقدار قابل توجهی کارایی این الگوریتم را برای حل مسائل بهینهسازی افزایش میدهد. این بهبود کارایی، با افزایش مقیاس مساله آشکارتر میشود

کلیدواژه ها:

الگوریتم جهش قورباغه ، الگوریتم ممتیک ، رفتار شناختی