الگوریتم‌های فراکاوشی جدید

پیچیدگی مدل‌های ریاضی، افزایش نمایی زمان حل بسیاری از روش‌ها، عدم دسترسی به اطلاعات گرادیان و همگرایی به بهینه محلی، از جمله مشکلاتی هستند که الگوریتم‌های بهینه سازی کلاسیک در حل مسایل پیچیده با آن‌ها مواجه هستند. به‌منظور رفع این مشکلات از الگوریتم‌های فراکاوشی به طور گسترده برای حل مسایل پیچیده و چند متغیره استفاده می‌شود. انتخاب بهترین و مناسب‌ترین الگوریتم به دلیل تنوع بالای آن‌ها کاری دشوار است. در پژوهش‌های گذشته برخی از این روش‌ها جمع‌بندی شده‌اند ولی به دلیل انتشار بیش از اندازه این الگوریتم‌ها در سال‌های اخیر، مقاله‌ای مشخصی که تمامی این روش‌ها را بیان و مقایسه نماید وجود ندارد. در این مقاله مهم‌ترین الگوریتم‌های بهینه‌سازی فراکاوشی از سال 2012 تاکنون معرفی شده است. در بخش‌های مجزا برای هر الگوریتم، تاریخچه، منبع الهام، تابع هدف و تعداد پارامترهای تنظیم آن بیان‌شده است. سپس با استفاده از چندین نظریه، این الگوریتم‌ها دسته‌بندی و مقایسه شده‌اند. با توجه به نوع کاربرد هر الگوریتم در مسایل مهندسی، نمی‌توان الگوریتم واحدی را به‌عنوان بهترین روش معرفی نمود با این وجود الگوریتم بهینه‌سازی گرگ خاکستری (gwo)، یکی از الگوریتم‌های با تعداد ارجاع بالا در سال‌های اخیر می‌باشد.

New metaheuristic algorithms

Abstract The complexity of mathematical models, exponential growth of the solution time for many methods, lack of access to gradient information and optimal local convergence are some of the problems that optimal classical algorithms face in solving complex problems. In order to eliminate these drawbacks, metaheuristic algorithms are widely used to solve complex and multivariate problems. Choosing the best and most suitable algorithm is difficult due to their high diversity. In previous studies, some of these methods have been summarized, but due to overpublicize of these methods in recent years, there is no specific article to describe and compare all of these methods. In this paper, the most important metaheuristic optimization algorithms are introduced from 2012 till now. In separate sections for each algorithm, the history, source of inspiration, objective function and number of its setting parameters are stated. These algorithms are then categorized and compared using several theories. Due to the type of application of each algorithm in engineering problems, it is not possible to introduce a single algorithm as the best methodology, but the Gray Wolf Optimization (GWO) algorithm is one of the algorithms with a high number of citations in recent years.