Addax Optimization Algorithm (AOA)

در سال های اخیر، الگوریتم های فرااکتشافی به عنوان یکی از رویکردهای کلیدی در حل مسائل پیچیده بهینه سازی مطرح شده اند. این الگوریتم ها با الهام از پدیده های طبیعی، رفتارهای زیستی و یا فرآیندهای اجتماعی، توانسته اند تعادلی مناسب میان اکتشاف و بهره برداری در فضای جست وجو برقرار کنند. در میان الگوریتم های نوین، الگوریتم بهینه سازی آدکس (Addax Optimization Algorithm - AOA) به تازگی معرفی شده و بر اساس رفتار جست وجوی حیوان آدکس در شرایط محیطی سخت بیابانی طراحی گردیده است. این الگوریتم با استفاده از مدل سازی سازوکارهای سازگاری آدکس، توانسته است توانایی بالایی در اجتناب از به دام افتادن در کمینه های محلی و افزایش نرخ همگرایی از خود نشان دهد.در این مقاله، ساختار مفهومی، روابط ریاضی، و مراحل اجرایی الگوریتم آدکس مورد بررسی قرار گرفته و عملکرد آن با سایر الگوریتم های برجسته فرااکتشافی نظیر PSO، GA، WOA و GWO مقایسه شده است. همچنین، نقاط قوت و ضعف الگوریتم از منظر تعادل میان اکتشاف و بهره برداری، پایداری همگرایی، و کارایی محاسباتی تحلیل شده اند. در نهایت، پیشنهادهایی برای بهبود و توسعه الگوریتم، از جمله ترکیب با مدل های یادگیری ماشین و تنظیم پارامترهای خودتطبیقی، ارائه شده است. نتایج این بررسی نشان می دهد که AOA می تواند به عنوان رویکردی نویدبخش برای حل مسائل پیچیده بهینه سازی پیوسته و گسسته مورد استفاده قرار گیرد.

کلیدواژه ها:

الگوریتم های فرااکتشافی ، بهینه سازی هوشمند ، الگوریتم بهینه سازی آدکس ، الگوریتم های طبیعت الهام ، اکتشاف و بهره برداری ، بهینه سازی غیرخطی ، هوش محاسباتی