ترجمه الگوریتم Sine Cosine برای حل مسائل بهینه سازی SCA

در این قسمت ترجمه الگوریتم Sine Cosine برای حل مسائل بهینه سازی SCA قرار گرفته شده است. ترجمه مقاله SCA: A Sine Cosine Algorithm for Solving Optimization Problems در ۳۱ صفحه در قالب Word آماده شده است. ترجمه الگوریتم Sine Cosine یک روش بهینه سازی با نام الگوریتم سینوس کسینوس را معرفی می‌کند. الگوریتم Sine Cosine یا به زبان خودمانی الگوریتم Sin Cos به اختصار SCA یک الگوریتم متاهیورستیک یا فرا ابتکاری است.

این الگوریتم توسط سید علی میرجلیلی (Seyedali Mirjalili) در سال ۲۰۱۶ در مقاله‌ای با عنوان SCA: A Sine Cosine Algorithm for solving optimization problems در ژورنال Knowledge-Based Systems پایگاه علمی Elsevier ارائه شده است. در ادامه به معرفی این الگوریتم بهینه سازی پرداخته می‌شود. برای دانلود مقاله اصلی روی این لینک (+) کلیک کنید.

چکیده انگلیسی مقاله الگوریتم Sine Cosine

This paper proposes a novel population-based optimization algorithm called Sine Cosine Algorithm (SCA) for solving optimization problems. The SCA creates multiple initial random candidate solutions and requires them to fluctuate outwards or towards the best solution using a mathematical model based on sine and cosine functions. Several random and adaptive variables also are integrated to this algorithm to emphasize exploration and exploitation of the search space in different milestones of optimization. The performance of SCA is benchmarked in three test phases.

Firstly, a set of well-known test cases including unimodal, multi-modal, and composite functions are employed to test exploration, exploitation, local optima avoidance, and convergence of SCA. Secondly, several performance metrics (search history, trajectory, average fitness of solutions, and the best solution during optimization) are used to quantitatively and qualitatively observe and confirm the performance of SCA on shifted two-dimensional test functions. Finally, the cross-section of an aircraft’s wing is optimized by SCA as a real challenging case study to verify and demonstrate the performance of this algorithm in practice.

The results of test functions and performance metrics prove that the proposed algorithm is able to explore different regions of a search space, avoid local optima, converge towards the global optimum, and exploit promising regions of a search space during optimization effectively. The SCA algorithm obtains a smooth shape for the airfoil with a very low drag, which demonstrates that this algorithm can highly be effective in solving real problems with constrained and unknown search spaces. Note that the source codes of the SCA algorithm are publicly available at http://www.alimirjalili.com/SCA.html.

چکیده فارسی ترجمه الگوریتم Sine Cosine

در ترجمه الگوریتم Sine Cosine یک الگوریتم بهینه سازی مبتنی بر جمعیت به نام الگوریتم (Sine Cosine (SCA برای حل مشکلات بهینه سازی ارائه شده است. SCA چندین راه حل کاندیدای تصادفی اولیه ایجاد می‌کند و از آن‌ها می‌خواهد که با استفاده از یک مدل ریاضی مبتنی بر توابع سینوسی و کسینوسی، به صورت سینوسی و کسینوسی ( بالا و پایین) به سمت بهترین راه حل حرکت کنند. چندین متغیر تصادفی و تطبیقی نیز برای تأکید بر اکتشاف و بهره برداری از فضای جستجو در نقاط عطف بهینه سازی مختلف در این الگوریتم ادغام شده‌اند. عملکرد SCA در سه مرحله آزمایشی مشخص شده است.

در مرحله اول، مجموعه‌ای از موارد آزمون شناخته شده از جمله توابع تک حالته، چند حالته و ترکیبی برای آزمایش اکتشاف، بهره برداری، اجتناب از حالت بهینه محلی و همگرایی SCA استفاده می‌‍شود. چندین معیار عملکردی از قبیل (سابقه جستجو، مسیر، سازگاری متوسط راه حل‌ها و بهترین راه حل در حین بهینه سازی) برای مشاهده کمی و کیفی و تأیید عملکرد SCA در عملکردهای آزمون دو بعدی تغییر یافته استفاده می‌شود. سرانجام، سطح مقطع بال هواپیما توسط SCA به‌عنوان یک مطالعه موردی واقعی به چالش کشیده می‌شود تا به بررسی و نمایش عملکرد این الگوریتم در عمل پرداخته شود.

چنان‌چه خواهان مطالعه بیشتر یا تجربه یک ارائه عالی و مخاطب پسند در زمینه این موضوع بودید، پاورپوینت الگوریتم SCA را مد نظر قرار دهید.

نتایج عملکردها و معیارهای عملکردی ثابت می‌کند که الگوریتم پیشنهادی قادر است به کشف مناطق مختلف یک فضای جستجو، جلوگیری از بهینه سازی محلی، همگرایی به سمت بهینه سراسری و استفاده از مناطق امیدوار کننده از یک فضای جستجو در حین بهینه سازی به‌طور مؤثر بپردازد. الگوریتم SCA شکل نرمی برای شکل مقطعی یک بال هواپیما بدست می‌آورد، که نشان می‌دهد این الگوریتم می‌تواند در حل مشکلات واقعی با فضاهای جستجو محدود و ناشناخته بسیار مؤثر باشد. توجه باشید که سورس کد الگوریتم SCA در آدرس http://www.alimirjalili.com/SCA.html. در دسترس عموم است.

کلمات کلیدی : بهینه سازی؛ بهینه سازی تصادفی؛ بهینه سازی محدود؛ فرااکتشافی؛ الگوریتم مبتنی بر جمعیت

مقدمه ترجمه الگوریتم Sine Cosine

بهینه سازی به فرآیند یافتن مقادیر بهینه برای پارامترهای یک سیستم معین از کلیه مقادیر ممکن برای حداکثر رساندن یا به حداقل رساندن بازده آن اشاره دارد. مشکلات بهینه سازی را می‌توان در کلیه زمینه‌های مطالعه مشاهده کرد که این امر توسعه تکنیک‌های بهینه سازی را ضروری و یک مسیر مطالعاتی جالب برای محققان باز کرده است. با توجه به اشکال در تکنیک‌های بهینه سازی معمول، ایستایی و رکود مطلوب محلی و نیاز به استخراج فضای جستجو ، در دو دهه گذشته علاقه زیادی به تکنیک‌های بهینه سازی تصادفی مشاهده شده است.

الگوریتم های بهینه سازی تصادفی، مشکلات بهینه سازی را جعبه‌های سیاه می‌دانند. این بدان معناست که استخراج مدل‌های ریاضی مورد نیاز نیست زیرا چنین الگوریتم های بهینه سازی فقط ورودی‌ها را تغییر داده و بر خروجی‌های سیستم برای به حداکثر یا به حداقل رساندن نتایج خروجی آن نظارت می‌کنند. یکی دیگر از مزیت‌های در نظر گرفتن مشکلات به عنوان جعبه‌های سیاه، انعطاف پذیری بالا است، به این معنی که الگوریتم های تصادفی به‌راحتی برای مشکلات در زمینه‌های مختلف قابل اجرا هستند.

همان‌طور که از نام تکنیک های بهینه سازی تصادفی مشخص است، آن‌ها مشکلات بهینه سازی را به‌صورت تصادفی بهینه می‌کنند. بنابراین، آن‌ها ذاتاً با اجتناب از بهینه محلی بالاتر در مقایسه با الگوریتم های بهینه سازی معمولی سود می‌برند. طبقه بندی‌های مختلفی برای الگوریتم های بهینه سازی تصادفی در نوشته‌ها وجود دارد.

دو طبقه بندی اصلی، مبتنی بر الهام از یک الگوریتم از قبیل (مبتنی بر هوش دسته جمعی زنبوران، تکاملی، مبتنی بر فیزیک و غیره) بوده و تعداد راه حل‌های تصادفی که یک الگوریتم در هر مرحله از بهینه سازی تولید می‌کند، می‎باشد. طبقه بندی آخر الگوریتم‌ها را به دو دسته تقسیم می‌کند: الگوریتم‌های تک راه حلی و و چند راه حلی. در کلاس اول، تنها یک راه حل به‌طور تصادفی تولید می‌شود و در طی بهینه سازی بهبود می‌یابد. در کلاس دوم، با این حال، یک الگوریتم بهینه سازی بیش از یک راه حل تصادفی (عمدتا بسیاری) ایجاد می‌کند و آن‌ها را در هنگام بهینه سازی بهبود می‌بخشد.

با توجه به مزایای فوق، تکنیک‌های بهینه سازی تصادفی در کتاب‌های نوشته شده بسیار رواج یافته است. این محبوبیت نه تنها در زمینه بهینه سازی بلکه سایر زمینه‌های تحصیلی نیز به چشم می‌خورد. استفاده از الگوریتم های تصادفی را می‌توان در شاخه‌های مختلف علم و صنعت مشاهده کرد. از آن‌جا که تمرکز این مقاله بر تئوری است، موارد کاربردی بیشتر مورد بحث قرار نمی‌گیرد و خوانندگان علاقه‌مند میتوانند به این مراجع مراجعه کنند. تحقیقات نظری در نوشته‌ها را می‌توان به سه جهت اصلی تقسیم کرد: بهبود تکنیک‌های فعلی، ترکیب الگوریتم‌های مختلف و ارائه الگوریتم‌های جدید.

در رویکرد اول، محققان سعی می‌کنند الگوریتم‌هایی را با عملکردهای مختلف ریاضی یا تصادفی مجهز کنند تا عملکرد این گونه تکنیک‌ها را بهبود ببخشند. روش‌های رایج در این کلاس عبارتند از: نقشه های بی نظم، اپراتورهای تکاملی و جستجوی محلی. دومین جهت پژوهشی محبوب با ترکیبی از الگوریتم‌های مختلف برای بهبود عملکرد یا حل مشکلات خاص سروکار دارد. تعداد قابل توجهی از فرا اکتشافی ترکیبی در نوشته‌ها وجود دارند از قبیل PSO-GA و PSO-ACO, ACO-GA, GA-DE 39, و PSO-DE و ACO-DE  و KH-CS و KH-BBO.

نکته آخر اینکه، پیشنهاد الگوریتم های جدید راهی برای تحقیقات محبوب برای محققان مختلف است. الهام گرفتن از یک الگوریتم جدید می‌تواند ناشی از پدیده‌های تکاملی، رفتار جمعی موجودات (تکنیک های هوش دسته جمعی زنبوران) ، قوانین فیزیکی و مفاهیم مرتبط با انسان باشد.

درباره ترجمه الگوریتم Sine Cosine

ترجمه مقاله SCA: A Sine Cosine Algorithm for Solving Optimization Problems به فارسی (SCA: یک الگوریتم Sine Cosine برای حل مشکلات بهینه سازی) عنوان ترجمه‌ای است که در قالب ورد به تعداد ۳۱ صفحه بصورت دقیق و روان توسط متخصصان ترجمه رشته کامپیوتر انجام شده است.

این ترجمه از طرف کارشناسان پی استور بررسی شده و دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر آن راخریداری کنید به محض خرید لینک دانلود در دسترس خواهد بود. خوب است بدانید که مجموعه آموزشی پی استور با طراحی، تدوین و ارائه انواع پاورپوینت‌های آماده در موضوعات متنوع و جذاب و قالب‌های آکادمیک و استاندارد در انواع تحقیقات و پژوهش‎‌ها همراه شما بزرگواران است.