Abstract
This paper proposes a novel metaheuristic optimizer, named crow search algorithm (CSA), based on the intelligent behavior of crows. CSA is a population-based technique which works based on this idea that crows store their excess food in hiding places and retrieve it when the food is needed. CSA is applied to optimize six constrained engineering design problems which have different natures of objective functions, constraints and decision variables. The results obtained by CSA are compared with the results of various algorithms. Simulation results reveal that using CSA may lead to finding promising results compared to the other algorithms
چکیده
در این مقاله، یک روش فرا-اکتشافی نوین به نام الگوریتم جستجوی کلاغ (CSA) معرفی می‌گردد. این روش مبتنی بر رفتار هوشمندانه کلاغ‌ها بوده و در راستای حل مسائل بهینه‌سازی توسعه داده شده است. CSA یک روش مبتنی بر جمعیت است و ایده اصلی شکل‌گیری این روش از این نظریه که کلاغ‌ها مواد غذایی اضافی خود را در مخفیگاه‌هایی پنهان کرده و هنگامی که به آن مواد غذایی نیاز دارند، آن‌ها را مجدداً یافته و مصرف می‌کنند، الهام گرفته شده است. در این مطالعه، از CSA برای حل شش مسئله مقیّد طراحی که دارای توابع هدف، قیود و متغیرهای تصمیم‌گیری کاملاً متفاوتی هستند، به کار می‌رود. نتایج حاصل از CSA با نتایج بدست آمده از الگوریتم‌های گوناگون مقایسه می‌گردد. نتایج این شبیه‌سازی نشان می‌دهد که در مقایسه با سایر الگوریتم‌ها، استفاده از CSA می‌تواند منجر به یافتن پاسخ‌های نویدبخشی گردد.
1-مقدمه
طراحی مهندسی به صورت یک فرآیند تصمیم‌گیری برای ساخت محصولاتی که نیازهایی مشخص را برطرف می‌نمایند، تعریف می‌گردد. اکثر مسائل طراحی مهندسی شامل توابع هدف پیچیده‌ای هستند که متغیرهای تصمیم‌گیری متعددی را در برمی‌گیرند. مجموعه آن دسته از پاسخ‌هایی که به وسیله مقادیر ممکن از مؤلفه‌های طراحی (متغیرهای تصمیم‌گیری) توصیف می‌گردند، به عنوان پاسخ‌های شدنی و قابل‌اجرا در نظر گرفته می‌شوند. هر روش بهینه‌سازی تلاش می‌کند که از میان تمامی پاسخ‌های شدنی، پاسخ بهینه را بیابد.
تا کنون، همواره برای حل مسائل طراحی از روش‌های سنتی جستجوی پاسخ استفاده شده است. با وجود اینکه این روش‌ها در بسیاری از مسائل واقعی، پاسخ‌های نویدبخشی را بدست می‌دهند، اما ممکن است در یافتن پاسخ مسائلی با پیچیدگی بیشتر، دچار خطا شده و کاربرد آن‌ها با شکست مواجه گردد. در مسائل طراحی حقیقی، ممکن است که تعداد متغیرهای تصمیم‌گیری بسیار زیاد بوده و در نظر گرفتن تأثیر آن‌ها بر تابع هدف بسیار پیچیده گردد. در این مسائل، تابع هدف می‌تواند چندین نقطه بهینه محلی داشته باشد، اما همواره طراحان به دنبال پاسخ‌های بهینه سراسری هستند. نمی‌توان چنین مشکلاتی را با استفاده از روش‌های سنتی مرسوم که تنها نقاط بهینه محلی را می‌یایند، برطرف نمود. در این موارد نیاز است که از روش‌های بهینه‌سازی کارا و مؤثر استفاده گردد....