استفاده از الگوریتم بهبود یافته بهینه سازی باران جهت شبیه سازی حرکت دوغاب سیال در شکاف و ماتریکس

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 120

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PRRIP-33-4_009

تاریخ نمایه سازی: 4 دی 1402

چکیده مقاله:

الگوریتم بهینه سازی باران (ROA) یک الگوریتم مبتنی بر جمعیت می باشد که با شبیه سازی حرکت قطرات باران به یافتن جواب بهینه برای مسائل پیچیده بهینه سازی می پردازد. این الگوریتم با حرکت دادن قطرات باران به سمت نقاط کمترین با توجه به قطر قطرات باران، قادر است با سرعت و دقت قابل قبولی نقاط کمترین یا بیشترین یک تابع یا مساله بهینه سازی را پیدا کند. جهت بهبود قابلیت جستجو و اکتشاف در این الگوریتم، یک جستجوی تصادفی پیش از شروع به حل مساله توسط این الگوریتم به این روش اضافه شد که این موضوع از بمب های خوشه ای الهام گرفته شده است. بدین ترتیب قبل از شروع به بهینه سازی توسط ROA، ابتدا نقاط تصادفی در اطراف این قطره باران انتخاب می شود و جستجو از نقطه ای شروع می شود که مقدار کمتری داشته باشد. به همین علت نام الگوریتم جدید به الگوریتم بهبود یافته بهینه سازی باران IROA تغییر یافت. کارایی بهینه ساز پیشنهادی از طریق بهینه سازی یک مساله شبیه سازی در مهندسی معدن (شبیه سازی حرکت دوغاب سیمان در ماتریکس و شکاف) آزمایش شد و عملکرد آن با چندین الگوریتم فراابتکاری شناخته شده مقایسه شد. نتایج نشان می دهد که IROA قادر است با ارائه سرعت همگرایی سریع تر و همچنین کارآمدتر در مقایسه با سایر بهینه سازهای موفق منجر به دست یابی به به جواب های دقیق تر در مسائل پیچیده بهینه سازی شود.

کلیدواژه ها:

نویسندگان

حجت نوری

گروه مهندسی معدن، دانشکده گروه مهندسی، دانشگاه کاشان، ایران

علی عالی انوری

گروه مهندسی معدن، دانشکده گروه مهندسی، دانشگاه کاشان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • . Dokeroglu, T., Sevinc, E., Kucukyilmaz, T., & Cosar, A. ...
  • . Magnusson, J., & Nilsson, J. (۲۰۱۸). Project matching application ...
  • . شکیبا س. و دولتی ارده جانی ف. (۲۰۲۳). استفاده ...
  • . Goldberg, D. E. (۱۹۸۹). Genetic algorithms in search, Optimization, ...
  • . Storn, R., & Price, K. (۱۹۹۷). Differential evolution – ...
  • . Banzhaf, W., Nordin, P., Keller, R. E., & Francone, ...
  • . F. Glover and M. Laguna, (۱۹۹۸). Tabu Search, in ...
  • . Marques-Silva, J. P., & Sakallah, K. A. (۱۹۹۹). A ...
  • . Lourenço, H. R., Martin, O. C., & Stützle, T. ...
  • . Eusuff, M. M., & Lansey, K. E. (۲۰۰۳). Optimization ...
  • . Wei, Y., & Qiqiang, L. (۲۰۰۴). Survey on particle ...
  • . Martí, R., Laguna, M., & Glover, F. (۲۰۰۶). Principles ...
  • . Dorigo, M., Birattari, M., & Stutzle, T. (۲۰۰۶). Ant ...
  • . Moazzeni, A. R., & Khamehchi, E. (۲۰۲۰). Rain optimization ...
  • . Mirjalili, S., & Lewis, A. (۲۰۱۶). The whale optimization ...
  • . Cheng, M. Y., & Prayogo, D. (۲۰۱۴). Symbiotic organisms ...
  • . Mirjalili, S., Mirjalili, S. M., & Lewis, A. (۲۰۱۴). ...
  • . Cuevas, E., Cienfuegos, M., Zaldívar, D., & Pérez-Cisneros, M. ...
  • . Rao, R. V., Savsani, V. J., & Vakharia, D. ...
  • . Yang, X. S. (۲۰۱۰). Firefly algorithm, stochastic test functions ...
  • . Yang, X. S. (۲۰۱۰). A new metaheuristic bat-inspired algorithm, ...
  • . Das, S., Biswas, A., Dasgupta, S., & Abraham, A. ...
  • . Simon, D. (۲۰۰۸). Biogeography-based optimization, IEEE Transactions on Evolutionary ...
  • . Karaboga, D. (۲۰۰۵). An idea based on honey bee ...
  • . Ebrahimi, A., & Khamehchi, E. (۲۰۱۶). Sperm whale algorithm: ...
  • . Ge, J. (۲۰۰۶). Development and prospect of chemical grouting ...
  • . Li, S., Liu, R., Zhang, Q., & Zhang, X. ...
  • نمایش کامل مراجع