الگوریتم عروس دریایی: بهرهبرداری از هوش مصنوعی و الهام گرفته از طبیعت در حل مسائل بهینه سازی

الگوریتم های فراابتکاری، رویکردی بهینه سازی هستند که در حل مسائل پیچیده با فضای جستجوی بزرگ استفاده می شوند. این الگوریتم ها به دلیل کارایی و قابلیت اعمال در مسائل واقعی، توجه بسیاری را به خود جلب کرده اند. آنها با الهام از پدیده های زیستی در بهینه سازی استفاده می کنند و با توجه به عدم نیاز به گرادیان تابع هدف، در مسائل پیچیده عملکرد مناسبی دارند. الگوریتم های فراابتکاری در دسته های الگوریتم های تکاملی، هوش گروهی و اکتشافی قرار می گیرند و از الگوبرداری از رفتار موجودات زنده الهام می گیرند. تحقیقات متعدد در زمینه الگوریتم های فراابتکاری نشان داده اند که این الگوریتم ها اهمیت زیادی در حل مسائل بهینه سازی دارند. با این حال، دستیابی به تعادل مناسب بین دو مرحله در الگوریتم های فراابتکاری به دلیل ویژگیهای تصادفی آنها چالشبرانگیز است. در این پژوهش، یک الگوریتم به نام جستجوی عروس های دریایی ارائه می شود که از رفتار گروهی عروس های دریایی در اعماق اقیانوس الهام می گیرد. از مزیتهای این الگوریتم میتوان به پیگیری گروهی عروسها در جریان اقیانوس، حرکت آنها در میان ازدحام (شامل حرکات فعال و غیرفعال) و کنترل زمانی برای تغییر بین این حرکات اشاره کرد. این الگوریتم با استفاده از تعادل مناسب بین اکتشاف و بهرهبرداری، همراه با مکانیزم کنترل زمان و استفاده از نگاشت آشفته، به منظور بهبود تنوع جمعیت اولیه، منجر به دستیابی به نتایج بهتر می شود.

algorithm sea jellyfish : utilizing artificial intelligence and nature-inspired approaches in solving optimization problems

the metaheuristic algorithms are optimization approaches used to solve complex problems with large search spaces. these algorithms have gained significant attention due to their efficiency and applicability in real-world problems. inspired by biological phenomena, they utilize optimization techniques and perform well in complex problems by not relying on the gradient of the objective function. metaheuristic algorithms fall into categories such as evolutionary algorithms, swarm intelligence, and exploratory algorithms, drawing inspiration from the behavior of living organisms. extensive research in the field of metaheuristic algorithms has demonstrated their high importance in optimization problem-solving. however, achieving a proper balance between exploration and exploitation stages in metaheuristic algorithms is challenging due to their stochastic nature. in this study, an algorithm called jellyfish search (js) is proposed, which draws inspiration from the collective behavior of jellyfishes in the depths of the ocean. the advantages of this algorithm include the collective tracking of jellyfishes in the ocean currents, their movement in congestion (including active and inactive movements), and temporal control to switch between these movements. by achieving a proper balance between exploration and exploitation, along with a time control mechanism and the use of chaotic mapping to improve the diversity of the initial population, this algorithm leads to better results