ارائه روش ترکیبی نوین Dsm جهت تنظیم پارامتر الگوریتم‌های فراابتکاری

تنظیم پارامترهای الگوریتم‌های فراابتکاری در عملکرد آنها بسیار موثر می‌باشد و معمولا به‌صورت تجربی انجام می‌شود که بسیار زمان بر است. در این پژوهش یک روش ترکیبی جهت انتخاب پارامترهای بهینه الگوریتم‌های فراابتکاری ارایه شده است. روش پیشنهادی ترکیبی از روش‌های تحلیل پوششی داده‌ها و سطح پاسخ می‌باشد و dsm نامیده می‌شود. در واقع این روش قابل استفاده برای بهینه‌سازی مسائل چند هدفه می‌باشد و مزیت اصلی آن ایجاد و بهینه‌سازی یک رویه‌ی پاسخ کارایی به جای بهینه‌سازی چندین رویه پاسخ خروجی‌ها می‌باشد، همچنین علاوه بر بهینه‌سازی پارامترها به‌صورت هم‌زمان به بیشینه سازی کارایی نیز می‌پردازد. در این پژوهش از روش پیشنهادی dsm جهت تنظیم پارامترهای الگوریتم بهینه‌سازی فاخته برای بهینه سازی توابع استاندارد و آزمایشی آکلی و راستریگین استفاده شده است. در روش ترکیبی dsm، ابتدا مقدار کارایی با استفاده از تحلیل پوششی داده‌ها برای هر مجموعه از پارامترهای الگوریتم فراابتکاری محاسبه می‌گردد، سپس رویه پاسخ برای کارایی بر حسب پارامترهای الگوریتم فراابتکاری با استفاده از روش سطح پاسخ تعیین می‌گردد. در نهایت با بهینه‌سازی رویه کارایی مقادیر بهینه پارامترهای الگوریتم فاخته بدست می‌آید. به منظور اعتبارسنجی نتایج حاصله از روش پیشنهادی با روش مشابه مقایسه گردیده است. نتایج نشان دهنده عملکرد بهتر الگوریتم فرابتکاری با توجه به زمان حل، تعداد تکرارها و دقت تابع بهینه سازی نسبت به سایر روش های مشابه است.

A new hybrid method DSM for parameter setting of meta-heuristic algorithms

Parameters of metaheuristic algorithms are very effective in their performance and are usually done experimentally, which is very timeconsuming. In this research, a hybrid method for selecting the optimal parameters of metaheuristic algorithms is presented. The proposed method is a combination of data envelopment analysis methods and response surface methodology and is called DSM. In fact, this method can be used to optimize multiobjective problems and its main advantage is to create and optimize one performance response procedure instead of optimizing multiple output response procedures. In addition to optimizing parameters, it also simultaneously maximizes efficiency. In this research, the proposed DSM method has been used to adjust the parameters of the cuckoo optimization algorithm to optimize the standard and experimental Aklay and Rastrigin functions. In the hybrid DSM method, first, the efficiency value is calculated using data envelopment analysis for each set of metaheuristic algorithm parameters, then the response procedure for performance is determined according to the metaheuristic algorithm parameters using the response surface methodology. Finally, by optimizing the efficiency surface, the optimal values of the cuckoo algorithm parameters are obtained. In order to validate, the results of the proposed method have been compared with a similar method. The results show better performance of the hybrid algorithm in terms of solution time, number of iterations, and accuracy of the optimization function compared to other similar methods.