ارزیابی و مقایسه عملکرد الگوریتم گله اسب با برخی الگوریتم‌های فراابتکاری
محورهای موضوعی : یادگیری ماشین (یادگیری عمیق، شبکه های عصبی مصنوعی، الگوریتم های تکاملی، داده کاوی و...)
جلال ایزی
1
(دانشجو دکتری، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد سبزوار، سبزوار، ایران)
علی اکبر نقابی
2
(استادیار،دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی، سبزوار ، ایران)
کلید واژه: الگوریتم‌های فراابتکاری, بهینه‌سازی, الگوریتم گله اسب, الگوریتم نهنگ, الگوریتم چهل دزد و علی‌بابا.,
چکیده مقاله :
الگوریتم‌های فراابتکاری به دلیل توانایی غلبه بر بسیاری از مشکلات در بهینه‌سازی سنتی، به ابزاری محبوب برای حل مسائل متعدد در کاربردهای دنیای واقعی تبدیل‌شده‌اند. عملکرد این الگوریتم‌ها در مسائل مختلف متفاوت است لذا لازم است که ارزیابی دقیقی از عملکرد آن‌ها صورت گیرد. یکی از الگوریتم‌های فراابتکاری که اخیراً توجه زیادی را به خود جلب کرده است، الگوریتم گله اسب است که از رفتار اسب‌ها در سنین مختلف الهام گرفته شده است. هدف از این پژوهش، مقایسه و ارزیابی عملکرد الگوریتم گله اسب با برخی از الگوریتم‌های فراابتکاری دیگر برای حل مسائل پیچیده است. در مطالعه حاضر، عملکرد الگوریتم گله اسب با 9 الگوریتم فراابتکاری دیگر شامل الگوریتم‌های کلونی مورچگان، چهل دزد و علی‌بابا، شیر مورچه، خفاش، جستجوی کلاغ، کرم شب‌تاب، ژنتیک، ازدحام ذرات و الگوریتم نهنگ مقایسه شده است. در این ارزیابی از 10 تابع تست استاندارد استفاده شده و مقایسه عملکرد الگوریتم ها بر اساس سه معیار بهترین جواب، انحراف معیار و زمان اجرا در ابعاد 500، 1000 و 2000 انجام‌شده است. نتایج شبیه‌سازی نشان می‌دهد که با توجه به تعداد پارامترهای زیادی که الگوریتم گله اسب دارد، یکی از چالش‌های این الگوریتم تنظیم کردن پارامترهای آن می‌باشد. همچنین، در ابعاد بالا، الگوریتم گله اسب عملکرد خوبی نسبت به سایر الگوریتم‌های فراابتکاری مقایسه شده ندارد.
Meta-heuristic algorithms have become a popular tool for solving many problems in real-world applications due to their ability to overcome many problems in traditional optimization. The performance of these algorithms is different in different problems, so it is necessary to make a careful evaluation of their performance. One of the meta-heuristic algorithms that has recently attracted a lot of attention is the horse herd algorithm, which is inspired by the behavior of horses at different ages. The purpose of this research is to compare and evaluate the performance of the horse herd algorithm with some other meta-heuristic algorithms for solving complex problems. In this study, the performance of horse herd algorithm is compared with 9 other meta-heuristic algorithms including ant colony, forty thieves and Alibaba, ant lion, bat, crow search, firefly, genetics, particle swarm and whale algorithm. In this evaluation, 10 standard test functions were used and the performance of the algorithms was compared based on three criteria: best answer, standard deviation, and execution time in dimensions of 500, 1000, and 2000. The simulation results show that due to the large number of parameters that the horse herd algorithm has, one of the challenges of this algorithm is to adjust its parameters. Also, in high dimensions, the horse herd algorithm does not perform well compared to other compared meta-heuristic algorithms.
[1]. Bandaru, S. and K. Deb, Metaheuristic techniques. Decision sciences, 2016: p. 693-750.
[2]. Gavish, B. and H. Pirkul, Efficient algorithms for solving multiconstraint zero-one knapsack problems to optimality. Mathematical programming, 1985. 31: p. 78-105.
[3]. Neghabi, A.A., et al., Energy‐aware dynamic‐link load balancing method for a software‐defined network using a multi‐objective artificial bee colony algorithm and genetic operators. IET communications, 2020. 14(18): p. 3284-3293.
[4]. Khodadadi, R., G. Ardeshir, and H. Grailu, Compression of face images using meta-heuristic algorithms based on curvelet transform with variable bit allocation. Multimedia Systems, 2023. 29(6): p. 3721-3744.
[5]. Talbi, E.-G., Metaheuristics: from design to implementation. 2009: John Wiley & Sons.
[6]. Gandomi, A.H., et al., Metaheuristic algorithms in modeling and optimization. Metaheuristic applications in structures and infrastructures, 2013. 1: p. 1-24.
[7]. Tilahun, S.L. and H.C. Ong, Prey-predator algorithm: a new metaheuristic algorithm for optimization problems. International Journal of Information Technology & Decision Making, 2015. 14(06): p. 1331-1352.
[8]. MiarNaeimi, F., G. Azizyan, and M. Rashki, Horse herd optimization algorithm: A nature-inspired algorithm for high-dimensional optimization problems. Knowledge-Based Systems, 2021. 213: p. 106711.
[9]. Den Besten, M., T. Stützle, and M. Dorigo. Ant colony optimization for the total weighted tardiness problem. in Parallel Problem Solving from Nature PPSN VI: 6th International Conference Paris, France, September 18–20, 2000 Proceedings 6. 2000. Springer.
[10]. Alphonse, A.S., S. Abinaya, and S. Abirami, Alibaba and forty thieves algorithm and novel Prioritized Prewitt Pattern (PPP)-based convolutional neural network (CNN) using hyperspherically compressed weights for facial emotion recognition. Journal of Visual Communication and Image Representation, 2023. 97: p. 103948.
[11]. Saleem, F., et al., Ant lion optimizer based clustering algorithm for wireless body area networks in livestock industry. IEEE Access, 2021. 9: p. 114495-114513.
[12]. Bangyal, W.H., J. Ahmad, and H.T. Rauf, Optimization of neural network using improved bat algorithm for data classification. Journal of Medical Imaging and Health Informatics, 2019. 9(4): p. 670-681.
[13]. Hussien, A.G., et al., Crow search algorithm: theory, recent advances, and applications. IEEE Access, 2020. 8: p. 173548-173565.
[14]. Mangharam, R., A. Rowe, and R. Rajkumar, FireFly: a cross-layer platform for real-time embedded wireless networks. Real-Time Systems, 2007. 37: p. 183-231.
[15]. Gen, M. and L. Lin, Genetic algorithms and their applications, in Springer handbook of engineering statistics. 2023, Springer. p. 635-674.
[16]. Kennedy, J. and R. Eberhart. Particle swarm optimization (PSO). in Proc. IEEE international conference on neural networks, Perth, Australia. 1995.
[17]. Mirjalili, S. and A. Lewis, The whale optimization algorithm. Advances in engineering software, 2016. 95: p. 51-67.
[18]. Saleh, B. and A. Neghabi, Optimal Routing-Clustering Aware of Energy Consumption in Wireless Sensor Networks based on Deep Tree Learning. Transactions on Machine Intelligence, 2023. 6(4): p. 236-247.
[19]. Fidanova, S. and S. Fidanova, Ant colony optimization. Ant Colony Optimization and Applications, 2021: p. 3-8.
[20]. Huang, K.-W. and Z.-X. Wu, CPO: a crow particle optimization algorithm. International Journal of Computational Intelligence Systems, 2018. 12(1): p. 426-435.
[21]. Abdolmanafi, S., et al., The Impact of Content Produced on Instagram Social Network on Successful Economic Services of Isfahan in Corona Crisis Using a Combination of Genetic Algorithm and Forbidden Search Algorithm. International Journal of Digital Content Management, 2023.
[22]. Gad, A.G., Particle swarm optimization algorithm and its applications: a systematic review. Archives of computational methods in engineering, 2022. 29(5): p. 2531-2561.
[23]. Mohamed, A.W., et al., Evaluating the performance of meta-heuristic algorithms on CEC 2021 benchmark problems. Neural Computing and Applications, 2023. 35(2): p. 1493-1517.
[24]. Sadhu, T., et al., A comparative study of metaheuristics algorithms based on their performance of complex benchmark problems. Decision Making: Applications in Management and Engineering, 2023. 6(1): p. 341-364.
[25]. Rajabi Moshtaghi, H., A. Toloie Eshlaghy, and M.R. Motadel, Comparing and Ranking of Meta-Heuristic Algorithms Using Group Decision Making Methods. مدیریت صنعتی, 2022. 5(58): p. 65.
[26]. Schott, F., et al., Performance measure and tool for benchmarking metaheuristic optimization algorithms. Journal of Applied and Computational Mechanics, 2021.
[27]. Mousavirad, S.J., et al. A benchmark of recent population-based metaheuristic algorithms for multi-layer neural network training. in Proceedings of the 2020 genetic and evolutionary computation conference companion. 2020.
[28]. Ezugwu, A.E., et al., A comparative study of meta-heuristic optimization algorithms for 0–1 knapsack problem: Some initial results. IEEE Access, 2019. 7: p. 43979-44001.
[29]. Ismail, I. and A.H. Halim, Comparative study of meta-heuristics optimization algorithm using benchmark function. International Journal of Electrical and Computer Engineering (IJECE), 2017. 7(3): p. 1643-1650.
[30]. Wira, J.C., Sandpiper Food Search Algorithm: A New Optimization Approach for Agents with Limited Knowledge. 2024.
[31]. Al-Baik, O., et al., Pufferfish Optimization Algorithm: A New Bio-Inspired Metaheuristic Algorithm for Solving Optimization Problems. Biomimetics, 2024. 9(2): p. 65.
[32]. Hubálovská, M., Š. Hubálovský, and P. Trojovský, Botox Optimization Algorithm: A New Human-Based Metaheuristic Algorithm for Solving Optimization Problems. Biomimetics, 2024. 9(3): p. 137.
[33]. Jia, H., et al., Crayfish optimization algorithm. Artificial Intelligence Review, 2023. 56(Suppl 2): p. 1919-1979.
