Модифицированный метаэвристический алгоритм синус-косинуса для многомерных задач глобальной оптимизации

Обложка

Цитировать

Полный текст

Аннотация

Исследована вычислительная модель метаэвристического алгоритма синус-косинуса. Предложен модифицированный алгоритм, включающий вычислительные механизмы для сохранения баланса между скоростью сходимости алгоритма и диверсификацией пространства поиска решений. Результативность алгоритма анализируется с помощью серии экспериментов для задач поиска глобального минимума в наборе из многомерных тестовых функций. Проверяется статистическая значимость полученных результатов.

Полный текст

Доступ закрыт

Об авторах

Сергей Иванович Родзин

Южный федеральный университет

Автор, ответственный за переписку.
Email: srodzin@sfedu.ru

Кандидат технических наук, доцент. Профессор Института компьютерных технологий и ин- формационной безопасности

Россия, Таганрог

Список литературы

  1. Курейчик В.В., Родзин С.И. Вычислительные модели эволюционных и роевых биоэвристик (обзор) // Информационные технологии. 2021. Т. 27. № 10. C. 507–520.
  2. Mirjalili S. SCA: a sine cosine algorithm for solving optimization problems // Knowl. based syst. 2016. V. 96. P. 120–133.
  3. Huang F., Li X., Zhang S. Harmonious genetic clustering // IEEE trans. on cybernetics. 2018. V. 48. P. 199–214.
  4. Kaveh A., Talatahari S. An improved ant colony optimization for constrained engineering design problems // Eng. computation. 2010. V. 27. P. 155–182.
  5. Rodzin S., Rodzina L. Hyper-heuristics: method of differential evolution and bat method for selecting classification features // Lecture notes in networks&systems (LNNS). 2021. V. 229. P. 545-556.
  6. Gandomi A., Yang X., Alavi A. Cuckoo search algorithm: a meta-heuristic approach to solve structural optimization problems // Eng. appl. of artificial intelligence. 2013. V. 29. P. 17–35.
  7. Mezura-Montes E., Coello C. An empirical study about the usefulness of evolution strategies to solve constrained optimization problems // Int. jour. of general systems. 2008. V. 37. P. 443–473.
  8. Coello C., Montes E. Constraint-handling in genetic algorithms through the use of dominance-based tournament selection // Advanced eng. informatics. 2002. V. 16. P. 193–203.
  9. Mirjalili S. Moth-flame optimization algorithm: a novel nature-inspired heuristic paradigm // Knowledge-based Systems. 2015. V. 89. P. 228–249.
  10. Mirjalili S., Lewis A. The whale optimization algorithm // Adv. Eng. Soft. 2016. V. 95. P. 51–67.
  11. Fu W., et. al. A hybrid fault diagnosis approach for rotating machinery with the fusion of entropy-based feature extraction and SVM optimized by a chaos quantum sine cosine algorithm // Entropy. 2018. V. 20(9). P. 626.
  12. Hafez A., Zawbaa H., Emary E., Hassanien A. Sine cosine optimization algorithm for feature selection // IEEE int. symp. on innovations in intelligent systems and appl. 2016. P. 1–5.
  13. Gholizadeh S., Sojoudizadeh R. Modified sine-cosine algorithm for sizing optimization of truss structures with discrete design variables // Iran Univ. Sci. Technol. 2019. V. 9(2). P. 195–212.
  14. Abualigah L., Diabat A. Advances in sine cosine algorithm: a comprehensive survey // Artificial Intelligence Review. 2021. V. 54. P. 2567–2608.
  15. Tawhid M., Savsani V. Multi-objective sine-cosine algorithm (MOSCA) for multi-objective engineering design problems // Neural Comput. Appl. 2019. V. 31(2). P. 915–929.
  16. Wolpert D., Macready W. No free lunch theorems for optimization // IEEE trans. evol. comput. 1997. No. 1. P. 67–82.
  17. Qu C., et. al. A Modified Sine-Cosine Algorithm Based on Neighborhood Search and Greedy Levy Mutation // Comput. Intell. Neurosci. 2018. P. 1–19.
  18. Long W., et. al. Solving high-dimensional global optimization problems using an improved sine cosine algorithm // Expert systems with applications. 2019. V. 123. P. 108-126.
  19. Karaboga D., Basturk B. On the performance of artificial bee colony (ABC) algorithm // Appl. Soft. Comput. 2008. No 8(1). P. 687–697.
  20. Shi Y., Eberhart R. A modified particle swarm optimizer // IEEE int. conf. on evolutionary computation. 1998. No 1. P. 69–73.
  21. Storn R., Price K. Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces // Glob. Optim. 1997. No 11(4). P. 341–359.
  22. Abdollahzadeha B., Gharehchopogha F., Mirjalili S. African vultures optimization algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems // Comp.&Industrial Eng. 2021. V. 158. P. 107408.
  23. Родзин С.И., Скобцов Ю.А., Эль-Хатиб С.А. Биоэвристики: теория, алгоритмы и приложения. Чебоксары: ИД «Среда». 2019. 224 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Пружина растяжения/сжатия [22]

Скачать (25KB)
Метаданные

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).