In this paper we propose a new meta-heuristic algorithm called penguins Search Optimization Algorithm (PeSOA), based on collaborative hunting strategy of penguins. In recent years, various effective methods, inspired by nature and based on cooperative strategies, have been proposed to solve NP-hard problems in which, no solutions in polynomial time could be found. The global optimization process starts with individual search process of each penguin, who must communicate to his group its position and the number of fish found. This collaboration aims to synchronize dives in order to achieve a global solution (place with high amounts of food). The global solution is chosen by election of the best group of penguins who ate the maximum of fish. After describing the behavior of penguins, we present the formulation of the algorithm before presenting the various tests with popular benchmarks. Comparative studies with other meta-heuristics have proved that PeSOA performs better as far as new optimization strategy of collaborative and progressive research of the space solutions

چکیده

در این مقاله ما یک الگوریتم فوق ابتکاری جدید به نام بهینه سازی الگوریتم جستجو پنگوئن (PeSOA)، بر اساس استراتژی شکار مشترک از پنگوئن ها ارائه می کنیم. در سال های اخیر، روش های موثر مختلف، با الهام از طبیعت و بر اساس استراتژی های تعاونی، برای حل مسائل NP-سخت ارائه شده است که در آن، هیچ راه حلی در زمان چند جمله ای نمی توان یافت. فرآیند بهینه سازی سراسری با فرایند جستجوی فردی هر یک از پنگوئن ها آغاز می شود، که باید موقعیت خود و تعداد ماهی های یافت شده را با گروه خود مخابره کند. هدف این همکاری برای همزمان سازی شیرجه ها به منظور دستیابی به یک راه حل سراسری است (مکانی با مقادیر بالایی از مواد غذایی). راه حل سراسری توسط انتخاب بهترین گروه از پنگوئن ها که حداکثر ماهی را خورده اند، انتخاب شده است. پس از توصیف رفتار پنگوئن ها، ما فرمولاسیون الگوریتم را قبل از ارائه آزمون های مختلف با معیارهای محبوب، ارائه می کنیم. مطالعات تطبیقی با سایر الگوریتم های فرا ابتکاری ثابت کرده اند که PeSOA به عنوان استراتژی بهینه سازی جدید تحقیقات مشترک و تصاعدی از راه حل های فضایی، عملکرد بهتری دارد.

1-مقدمه

توسعه سیستم های مصنوعی جدید بر اساس الگوریتم های فراابتکاری، با الهام از پدیده های طبیعی، تاثیر آن را در حل مسائل NP-سخت ثابت کرده است. این استراتژی های جدید کاربرد خود را در بسیاری از زمینه ها مانند هوانوردی، علوم کامپیوتر، هوش مصنوعی، تصویربرداری پزشکی، زیست شناسی، و غیره پیدا کرده اند. این تکنیک ها به اندازه­ منابعی که از آنها الهام گرفته اند متفاوت هستند...