بهینه‌سازی مسائل مهندسی با قیود گسسته و پیوسته بکمک الگوریتم‌های فراابتکاری تطبیقی پویا

هدف این مقاله، پیاده‌سازی و بررسی روش‌های مختلف الگوریتم‌های فراابتکاری برای حل پنج مساله مهندسی است. لذا این مسائل مهندسی، به صورت مقید، بررسی شده سپس با استفاده از پنج الگوریتم فراابتکاری کرم شب‌تاب، رقابت استعماری، قورباغه، مورچگان و گرگ خاکستری و با هدف کاهش هزینه‌های مسائل مهندسی، بهینه‌سازی شده و نتایج حل آن صحت‌سنجی شده است. در واقع، در هر یک از الگوریتم‌های بهینه‌سازی استفاده شده، یک عامل تطبیقی پویا برای متعادل‌کردن نرخ همگرایی و توانایی جستجوی بهینه مطلق با تنظیم سرعت جستجو در طول فرآیند جستجو معرفی شده است. بررسی‌ها نشان می‌دهد که در هر یک از الگوریتم‌ها، تکنیک‌هایی برای خروج از بهینه محلی استفاده می‌شود که باعث می‌شود پاسخ‌ها به بهینه مطلق همگرا شوند. برای ارزیابی کیفیت و دقت الگوریتم‌ها، از تست حساسیت سنجی و مقایسه اعداد همگرایی برای نتایج حاصل از اجرای هر الگوریتم بر روی داده‌ها استفاده شده است. نتایج به‌دست آمده نشان می‌دهد که الگوریتم کرم شب‌تاب در مساله فنرکششی، الگوریتم قورباغه در مساله خرپای سه میله‌ای، الگوریتم رقابت استعماری در مسائل کاهنده سرعت و طراحی چرخدنده، و الگوریتم گرگ خاکستری در مساله مخزن تحت فشار، در یافتن بهینه مطلق، عملکرد دقیق‌تری را ارائه کردند. در واقع این الگوریتم‌ها برای حل بهینه‌ مسائل با تولید جمعیت تصادفی، ایجاد همسایگی و انتخاب بهترین همسایه به شرط ارضاء قیود متغیرهای مسائل، رسیدن به حل بهینه را آسان می‌کند. در نتیجه، این مقاله نشان می‌دهد که هر الگوریتم فراابتکاری می‌تواند در یک مسئله مهندسی مشخص، بسته به نوع مساله و شرایط محیطی، عملکرد بهتری داشته باشد.

optimization of engineering problems with discrete and continuous constraints using dynamic adaptive meta-heuristic algorithms

this article examines and implements meta-heuristic algorithms to solve five engineering problems. the problems have been investigated in a constrained manner and optimized using firefly, colonial competition, frog, ant and gray wolf algorithms. for each algorithm, a dynamic adaptive factor is introduced to balance the convergence rate and optimal search. the results show that each algorithm performs better in specific problems: firefly in spring tension, frog in three-bar truss, colonial competition in speed reducer and gear design, and gray wolf in pressure tank. the article concludes that choosing the right algorithm depends on the type of problem and environmental conditions.