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 с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».