مقاله اصلی الگوریتم
Abstract:
In this paper, a novel population-based, nature-inspired optimization paradigm is proposed, which is called Harris Hawks Optimizer (HHO). The main inspiration of HHO is the cooperative behavior and chasing style of Harris’ hawks in nature called surprise pounce. In this intelligent strategy, several hawks cooperatively pounce a prey from different directions in an attempt to surprise it. Harris hawks can reveal a variety of chasing patterns based on the dynamic nature of scenarios and escaping patterns of the prey. This work mathematically mimics such dynamic patterns and behaviors to develop an optimization algorithm. The effectiveness of the proposed HHO optimizer is checked, through a comparison with other nature-inspired techniques, on 29 benchmark problems and several real-world engineering problems. The statistical results and comparisons show that the HHO algorithm provides very promising and occasionally competitive results compared to well-established metaheuristic techniques.
اسلاید ارائه الگوریتم
اسلاید الگوریتم بهینهسازی بازشکاری هریسHHO در پنج بخش اصلی براساس مقالهی اصلی با طراحی آکادمیک تنظیم شده است :
ترجمه و گزارش الگوریتم
چکیده:
در این مقاله، یک الگوریتم بهینهسازی مبتنی بر جمعیت و با الهام از طبیعت، ارائه شده است که به آن بهینهساز بازهای شکاری هریس (HHO) گفته میشود. بخش اصلی HHO، از رفتار مشارکتی و سبک تعقیب باز هریس در طبیعت به نام یورش غافلگیرانه الهام گرفته شده است. در این استراتژی هوشمند، چندین باز به طور تعاونی طعمهای را از جهات مختلف برای غافلگیر کردن شکار میکنند باز هریس میتواند براساس ماهیت پویا سناریوها و الگوهای گریز از طعمه، الگوهای مختلفی را تعقیب کند. این کار به طور ریاضی از چنین الگوهای و رفتارهای پویا تقلید میکند تا یک الگوریتم بهینهسازی را توسعه داد. اثرات بهینهساز HHO پیشنهادی، از طریق مقایسه با سایر تکنیکهای الهام بخش از طبیعت، بر روی 29 مسالهی محک و چندین مشکل مهندسی در دنیای واقعی بررسی میشود. نتایج آماری و مقایسهها نشان میدهد که الگوریتم HHO نتایج بسیار امیدوارکننده و گاها رقابتی را در مقایسه با سایر تکنیکهای فراابتکاری دارد.
کد و پیادهسازی الگوریتم
پیادهسازی الگوریتمهای فراابتکاری
فرایند طراحی و پیادهسازی الگوریتمهای فراابتکاری دارای سه مرحلهی متوالی است که هر کدام از آنها دارای گامهای مختلفی هستند. در هر گام فعالیتهایی باید انجام شود تا آن گام کامل شود.
امروزه استفاده از نرمافزارهای کامپیوتری جهت انجام محاسبات ریاضی و حل معادلات و اجرای الگوریتمهای پیچیده بسیار پر کاربرد میباشد. نرمافزار Matlab به جهت راحتی در استفاده و گسترش و ساده و و روان بودن جهت کد کردن الگوریتم و مدلها، از پرکاربرد ترین نرمافزارها میباشد.
ارتباط با بخش پشتیبانی
مقاله اصلی
Abstract:
Searching for the (near) optimal subset of features is a challenging problem in the process of feature selection (FS). In the literature, Swarm Intelligence (SI) algorithms show superior performance in solving this problem. This motivated our attempts to test the performance of the newly proposed Salp Swarm Algorithm (SSA) in this area. As such, two new wrapper FS approaches that use SSA as the search strategy are proposed. In the first approach, eight transfer functions are employed to convert the continuous version of SSA to binary. In the second approach, the crossover operator is used in addition to the transfer functions to replace the average operator and enhance the exploratory behavior of the algorithm. The proposed approaches are benchmarked on 22 well-known UCI datasets and the results are compared with 5 FS methods: Binary Grey Wolf Optimizer (BGWO), Binary Gravitational Search Algorithms (BGSA), Binary Bat Algorithm (BBA), Binary Particle Swarm Optimization (BPSO), and Genetic Algorithm (GA). The paper also considers an extensive study of the parameter setting for the proposed technique. From the results, it is observed that the proposed approach significantly outperforms others on around 90% of the datasets.
اسلاید ارائه
محتویات اسلاید ها به شرح زیر میباشد:
ترجمه و گزارش مقاله
چکیده:
جستجو برای انتخاب زیر مجموعههای بهینه (نزدیک) در فرآیند انتخاب ویژگی (FS) یک مسالهی چالش برانگیز است. در ادبیات، الگوریتمهای هوش ازدحامی (SI) عملکرد فوق العادهای را در حل این مسائل نشان دادهاند. این عملکرد باعث شد ما الگوریتم ازدحام سالپ (SSA) که اخیرا پیشنهاد شده است، را مورد آزمایش قرار دهیم. به همین ترتیب، دو رویکرد جدید FS پوششی که از SSA به عنوان استراتژی جستجو استفاده میکنند را پیشنهاد میدهیم. در اولین رویکرد، هشت تابع انتقال برای تبدیل نسخه پیوسته SSA به دودویی استفاده میشود. در رویکرد دوم، عملگر برش علاوه بر تابع انتقال برای جایگزینی عملگر میانگین و بهبود رفتار اکتشافی الگوریتم استفاده میشود. روشهای پیشنهادی در 22 مجموعه دادی شناخته شدهی UCI مورد ارزیابی قرار میگیرند و نتایج با 5 روش FS مقایسه میشوند: الگوریتم جستجو گرانشی دودویی (BGSA)، الگوریتم خفاش دودویی (BBA)، بهینهسازی ذرات دودویی (BPSO) و الگوریتم ژنتیک (GA). در این مقاله همچنین بررسی گستردهای از تنظیم پارامتر برای روش پیشنهادی را در نظر گرفته شده است. از نتایج، مشاهده شده است که رویکرد پیشنهادی به طور قابل توجهی در بیش از 90٪ از مجموعه دادهها، نسبت به سایر روشها بهبود داشته است
کد و پیادهسازی مقاله
پیادهسازی مقاله شامل:
ارتباط با بخش پشتیبانی
درباره این سایت