ارائه یک الگوریتم فرا ابتکاری جدید: الگوریتم بهینه-‌سازی نظامی

هدف: در سال‌های اخیر، شاهد ظهور و گسترش الگوریتم های فرا ابتکاری و استفاده از آن ها جهت حل مسائل پیچیده، غیرخطی و ابعاد بالا بوده‌ایم. با توجه به اینکه الگوریتم های فوق برای حل مسائل پیچیده و در حال تغییر دنیای واقعی به کار می روند، دنیای الگوریتم ها و طراحی آن ها به شکل فزاینده‌ای پویا و رو به رشد بوده است. بنابراین، پیوسته شاهد به وجود آمدن الگوریتم‌های جدیدی هستیم. هدف از این تحقیق، ارائه یک الگوریتم فرا ابتکاری جدید به نام «الگوریتم بهینه‌سازی نظامی» می باشد. روش‌شناسی پژوهش: با الهام از عملیات های نظامی الگوریتم پیشنهادی طراحی و ارائه گردید و پس از کدنویسی، توابع تست استاندارد و الگوریتم های محک برای ارزیابی عملکرد آن تعیین و مشخص شدند. یافته ‎ها:  عملکرد الگوریتم پیشنهادی به‌وسیله 23 تابع تست استاندارد و با در نظر گرفتن شاخص های «میانگین جواب ها»، «میانگین زمان محاسباتی» و «زمان همگرایی» در مقایسه با هشت الگوریتم محک شامل: ژنتیک، ازدحام ذرات، کلونی زنبور مصنوعی، قورباغه جهنده، رقابت استعماری، گرگ خاکستری، بهینه سازی وال و بهینه سازی ملخ مورد ارزیابی و سنجش قرار گرفت. نتایج نشان‌دهنده عملکرد مطلوب الگوریتم پیشنهادی است. اصالت/ارزش افزوده علمی: در این مقاله، با الهام از عملیات های نظامی الگوریتم جدیدی به نام الگوریتم بهینه سازی نظامی (moa) ارائه می شود که مبتنی بر جمعیت است و بر اساس «جستجوی تصادفی»، «تقسیم فضای جواب به چند منطقه و تخصیص بخشی از جمعیت به هر منطقه»، «جستجوی سواره‌نظام» و «جستجوی پیاده‌نظام» عمل می‌کند.

A New Meta-Heuristic Algorithm: Military Optimization Algorithm (MOA)

Purpose: In recent years, metaheuristic algorithms and their application in solving complicated, nonlinear, and high dimensions problems have increased dramatically and the fact that metaheuristic algorithms are used to solve complex and changing problems of real life, has caused the algorithms world and their design to be very dynamic and alive; that’s why new algorithms are constantly being created. Hence, the purpose of this research is to introduce a novel metaheuristic algorithm called Military Optimization Algorithm (MOA). Methodology: Inspired by military operations, the proposed algorithm was designed and presented. After coding, Standard test functions and benchmark algorithms were determined to evaluate the performance of the algorithm.Findings: The performance of new algorithm is analyzed by 23 standard test functions and compared to 8 benchmark metaheuristic algorithms including: Genetic Algorithm, Particle Swarm Optimization, Artificial Bee Colony, Shuffled Frog Leaping Algorithm, and Imperialist Competitive Algorithm, Grey Wolf Optimizer, Whale Optimization Algorithm, and Grasshopper Optimization Algorithm, by considering three indices of average answers, time complexity of algorithm (speed) and Convergence speed/ time.  The results show the excellent performance of the proposed algorithm.Originality/Value: In this paper, inspired by military operations, a novel metaheuristic algorithm called MOA is introduced. It is populationbased and stable with random search, dividing solution space into several regions and allocating a part of the population to each region, cavalry search, and infantry search.