چکیده
تکامل تفاضلی (DE) یک الگورتیم تکاملی سریع و قوی برای بهینه‌سازی جهانی است. تکامل تفاضلی در بسیاری از حوزه‌ها به طور گسترده‌ای مورد استفاده قرار گرفته است. بهینه‌سازی مبتنی بر جغرافیای‌زیستی (BBO) یک الگوریتم الهام‌گرفته‌شده جدید از جغرافیای‌زیستی است. این الگوریتم عمدتا از عملگر مهاجرت برای اشتراک‌گذاری اطلاعات بین راه‌حل‌ها استفاده می‌کند. در این مقاله، ما یک DE ترکیبی با BBO را ارائه دادیم که نام آن DE/BBO برای مسئله بهینه‌سازی عددی جهانی است. DE/BBO، اکتشاف DE را با بهره‌برداری موثر BBO ترکیب می‌کند و بنابراین راه‌حل‌های کاندید امیدوار‌کننده‌ای را تولید می‌کند. برای اعتبارسنجی عملکرد DE/BBO پیشنهادی ما، 23 تابع بنچمارک با ابعاد و پیچیدگی‌های متنوعی مورد استفاده قرار گرفته است. نتایج آزمایشی نشان می‌دهند که رویکرد ما موثر و کارآمد است. در قیاس با سایر پیشرفته‌ترین روش‌های DE، DE/BBO عملکردی بهتر دارد یا حداقل از نظر کیفیت راه‌حل‌های نهایی و میزان همگرایی عملکردی بهتر دارد. علاوه بر این، تاثیر اندازه جمعیت، ابعاد، طرح‌های جهش مختلف و پارامترهای کنترل خود‌سازگار DE نیز مورد مطالعه قرار گرفته است.
1-مقدمه
الگوریتم‌های تکاملی (EAها، که شامل الگوریتم‌های ژنتیک، استراتژی‌های تکاملی، برنامه‌نویسی تکاملی و برنامه‌نویسی ژنتیک است) توجه زیادی را با توجه به پتانسیل خود به عنوان تکنیک‌های بهینه‌سازی جهانی هم در سطح بهینه‌سازی تک هدفه و هم در سطح بهینه‌سازی چندهدفه به خود جلب کرده‌اند [1]. EAها با الهام از تکامل طبیعی و نظریه بقاء، از فرآیند یادگیری جمعی از جمعیت افراد استفاده می‌کند. فرزندان افراد با استفاده از عملیاتی تصادفی مانند جهش و نوترکیب تولید می‌شوند. جهش مرتب با خودتکراری اشتباه افراد است، در حالیکه نوترکیب به تبادل اطلاعات بین دو یا چند فرد موجود می‌پردازد. مطابق با اندازه‌گیری سازگاری، فرآیند انتخاب بیشتر به نفع افرادی است که بیشتر به تولید مجدد می‌پردازند تا کسانی که نبستا بدتر هستند…
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.