تحلیل سیستماتیک الگوریتم های بهبودیافته نهنگ و بررسی پتانسیل کاربرد آن در بهینه سازی سیستم های شهر هوشمند

الگوریتم بهینه سازی نهنگ با وجود کاربرد گسترده در مسائل مهندسی، با چالش های اساسی نظیر همگرایی زودرس و عدم تعادل بین جستجوی سراسری و بهره برداری مواجه است. هدف این مقاله، ارائه یک مرور سیستماتیک بر بهبودهای این الگوریتم و معرفی نسخه بهبودیافته ای با کاربرد در حوزه شهر هوشمند می باشد. در این پژوهش، ابتدا مهم ترین بهبودهای الگوریتم نهنگ در مقالات منتشرشده بین سال های ۲۰۲۰ تا ۲۰۲۴ مرور و تحلیل شده است. سپس الگوریتم جدیدی با سه مکانیزم نگاشت آشوبی برنولی برای مقداردهی اولیه، عامل همگرایی غیرخطی کسینوسی برای ایجاد تعادل پویا، و یادگیری تقابلی مبتنی بر مرکز برای فرار از بهینه های محلی معرفی می گردد. برای ارزیابی عملکرد، الگوریتم های مورد بررسی بر روی توابع محک استاندارد و همچنین یک مسئله کاربردی تخصیص و مسیریابی ربات های تحویل در شهر هوشمند پیاده سازی شده اند. نتایج شبیه سازی نشان می دهد الگوریتم پیشنهادی از نظر دقت، سرعت همگرایی و پایداری نسبت به نسخه پایه و برخی بهبودهای مشابه برتری قابل توجهی دارد. در پایان، چارچوبی برای کاربرد این الگوریتم ها در حوزه های مختلف شهر هوشمند از جمله مدیریت ناوگان حمل ونقل خودران، بهینه سازی مصرف انرژی و تخصیص منابع در شبکه های حسگر پیشنهاد شده است.

کلیدواژه ها:

الگوریتم نهنگ ، الگوریتم های بهبودیافته ، شهر هوشمند ، بهینه سازی ، رباتیک ، یادگیری تقابلی