بررسی روش‌های فازی و غیرفازی مبتنی بر الگوریتم بهینه‌سازی نهنگ و کاربردهای آن‌ها

در این مقاله، الگوریتم بهینه‌سازی نهنگ و تعدادی از الگوریتم‌های تعمیم یافته روی آن مورد بررسی قرار گرفته است. الگوریتم بهینه‌سازی نهنگ به‌عنوان یک روش فراابتکاری جدید، جایگاه برجسته‌ای در حل مسائل پیچیده بهینه‌سازی به دست آورده است. این الگوریتم که از رفتار اجتماعی نهنگ‌ها در طبیعت الهام گرفته شده، به دلیل توانایی‌های قابل توجه در یافتن بهینه‌های سراسری و محلی، مورد توجه قرار گرفته است. با این حال، الگوریتم بهینه‌سازی نهنگ با چالش‌هایی روبروست؛ نظیر نرخ همگرایی کند که می‌تواند منجر به افزایش زمان محاسباتی در حل مسائل شود، و همچنین پایبندی به برخی از راه‌حل‌های محلی، که این پایبندی به انتخاب تصادفی عوامل جستجو در مرحله اکتشاف برمی‌گردد. این محدودیت‌ها باعث شده است که پژوهشگران به توسعه و بهبود این الگوریتم با استفاده از ترکیب آن با روش‌ها و الگوریتم‌های مختلف بپردازند. در سال‌های اخیر، ترکیب الگوریتم بهینه‌سازی نهنگ با روش‌های فازی و غیرفازی موجب بهبود قابل‌توجهی در عملکرد آن، به‌ویژه در مسائلی مانند انتخاب ویژگی، خوشه‌بندی داده‌ها، و مسائل پیچیده مهندسی شده است. این ترکیب‌ها توانسته‌اند ضمن حفظ مزایای ذاتی الگوریتم بهینه‌سازی نهنگ، نقاط ضعف آن را کاهش داده و کارایی و دقت بیشتری در حل مسائل مختلف ارائه دهند. این مقاله به بررسی چندین نسخه بهبودیافته از الگوریتم بهینه‌سازی نهنگ می‌پردازد که با استفاده از راهکار‌های مختلف توسعه یافته‌اند. این الگوریتم‌ها از جنبه‌های متعددی نظیر نرخ همگرایی، دقت، پیچیدگی، میانگین مقدار شایستگی، اجتناب از گیرافتادن در بهینه‌های محلی و کاربرد در مسائل عملی با یکدیگر مقایسه شده‌اند. علاوه بر این، نقاط قوت و ضعف هر یک از این نسخه‌ها تحلیل شده و کاربردهای آن‌ها در زمینه‌های مختلف علمی و صنعتی بررسی شده است. نتایج این پژوهش می‌تواند به‌عنوان یک مرجع جامع برای محققان و مهندسانی که در پی به‌کارگیری یا توسعه الگوریتم‌های بهینه‌سازی پیشرفته هستند، مورد استفاده قرار گیرد. همچنین، این مقاله به درک عمیق‌تر عملکرد الگوریتم بهینه‌سازی نهنگ و روش‌های بهبود آن کمک می‌کند و می‌توان از آن به‌عنوان پایه‌ای برای تحقیقات آتی در این حوزه استفاده کرد.

review of fuzzy and non-fuzzy methods based on the whale optimization algorithm and their applications

in this article, the whale optimization algorithm (woa) and several extended algorithms based on it are examined. the whale optimization algorithm, as a novel metaheuristic approach, has gained a prominent position in solving complex optimization problems. this algorithm, inspired by the social behavior of whales in nature, has drawn attention due to its significant capabilities in finding global and local optima. however, woa faces challenges such as a slow convergence rate, which can lead to increased computational time in solving problems, as well as a tendency to get stuck in local solutions, a limitation linked to the random selection of search agents during the exploration phase. these limitations have prompted researchers to enhance and improve the algorithm by integrating it with various methods and algorithms. in recent years, the combination of woa with fuzzy and non-fuzzy methods has resulted in significant improvements in its performance, especially in problems like feature selection, data clustering, and complex engineering problems. these combinations have managed to maintain the inherent advantages of woa while reducing its weaknesses, providing greater efficiency and accuracy in solving various problems. this article reviews several improved versions of the whale optimization algorithm, which have been developed using different approaches. these algorithms are compared in terms of multiple aspects such as convergence rate, accuracy, complexity, average fitness value, avoidance of local optima, and their application to practical problems. furthermore, the strengths and weaknesses of each of these versions are analyzed, and their applications in various scientific and industrial fields are discussed. the results of this study can serve as a comprehensive reference for researchers and engineers seeking to apply or develop advanced optimization algorithms. additionally, this article contributes to a deeper understanding of the performance of the woa and its enhancement methods and can be used as a foundation for future research in this field.