چکیده
در این مقاله یک پارادایم بهینه سازی نوین به نام «بهینه ساز هریس هاوکس» (HHO) مطرح شده است. این پارادایم که در ردهی الگوریتم های مبتنی بر جمعیت قرار می گیرد، برگرفته از رفتار همکارانه و شگرد تعقیب شاهین های هریس می باشد که به «حمله غافلگیرانه» مشهور است. در این استراتژی هوشمند، چندین شاهین به صورت همکارانه یک طعمه را از جهت های مختلف مورد حمله قرار داده و سعی می کنند آن را غافل گیر کنند. شاهین های هریس می توانند بسته به ذات پویایی سناریوها و الگوی فرار طعمه، از الگوهای تعقیب مختلفی استفاده کنند. در این مطالعه، با استفاده از روابط ریاضی این الگوها و رفتارهای پویا فرمول بندی شده تا یک الگوریتم بهینه سازی حاصل شود. کارآمدی بهینه ساز HHO بر روی ۲۹ مسئله معیار و چندین مسئله مهندسی واقعی، با سایر روش های الهام گرفته از طبعیت مورد مقایسه قرار گرفته است. نتایج آماری و نتایج بدست آمده از مقایسات نشان می دهند که عملکرد الگوریتم HHO بسیار امیدوار کننده بوده و با روش های متاهیوریستیک نوین قابل رقابت است.
1-مقدمه
در یادگیری ماشین و هوش مصنوعی، بسیاری از مسائل دنیای واقعی معمولا دارای ذات پیوسته، گسسته، مقید و یا نامقیدی می باشند [۱، ۲]. بر همین اساس برای حل برخی از این مسائل، رویکردهای مرسوم برنامه ریزی از جمله گرادیان مزدوج، برنامه ریزی درجه دوم متوالی، سریع ترین کاهش، و روش شبه-نیوتن کارایی مناسبی ندارند...
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید