الگوریتم بهینه سازی ابر: شبیه سازی دینامیک جو برای بهینه سازی سراسری تطبیقی

گسترش روزافزون مسائل بهینه سازی پیچیده در حوزه های مهندسی و علوم، توسعه الگوریتم های فراابتکاری کارآمدتر را اجتناب ناپذیر ساخته است. بر اساس قضیه NFL، هیچ الگوریتمی را نمی توان برتر مطلق در حل تمامی مسائل دانست؛ از این رو، این مقاله یک الگوریتم فراابتکاری نوین مبتنی بر فیزیک با نام الگوریتم بهینه سازی ابر (COA) معرفی می کند. الهام بخش اصلی COA، دینامیک اتمسفر زمین و رفتار ترمودینامیکی توده های هواست؛ در این چارچوب، راه حل های کاندید به منزله توده های هوا مدل سازی می شوند که حرکت آن ها از طریق ترکیب معادلات ناویه-استوکس و قانون گاز ایده آل، تحت تاثیر چهار نیروی فیزیکی، یعنی گرادیان فشار، اصطکاک، گرانش و اثر کوریولیس، توصیف می گردد. به منظور ایجاد تعادل موثر میان اکتشاف فضای جستجو و بهره برداری از راه حل های امیدبخش، COA با دو مکانیسم پیشرفته تقویت شده است: (۱) یک چارچوب سبک وزن از تطبیق ماتریس کوواریانس (CMA-ES) برای تنظیم پویای پارامترهای ترمودینامیکی، و (۲) عملگر جهش تفاضلی زمان بندی شده (DE/best/۱) برای پیشگیری از همگرایی زودرس. عملکرد الگوریتم پیشنهادی بر روی ۲۴ تابع محک استاندارد در سه سطح ابعادی مختلف ارزیابی و با ۹ الگوریتم فراابتکاری شناخته شده مقایسه شد. نتایج آزمون فریدمن نشان داد که COA با میانگین رتبه ۳٫۴۱۷ در جایگاه نخست قرار می گیرد. علاوه بر این، آزمون ویلکاکسون با اصلاح هولم برتری آماری معنادار COA را در برابر ۶ الگوریتم رقیب تایید کرد. با پیچیدگی محاسباتی خطی ، الگوریتم COA به عنوان یک ابزار بهینه سازی مقیاس پذیر و کارآمد برای مسائل بهینه سازی پیوسته معرفی می شود.

کلیدواژه ها:

الگوریتم بهینه سازی ابر ، بهینه سازی مبتنی بر فیزیک ، تطبیق ماتریس کوواریانس (CMA-ES) ، جهش تفاضلی ، دینامیک اتمسفری ، بهینه سازی پیوسته