ترجمه مقاله الگوریتم BMO بهینه ساز جفت گیری بارناکل

ترجمه مقاله الگوریتم BMO بهینه ساز جفت گیری بارناکل

این پژوهش توسط Mohd Herwan Sulaiman در سال ۲۰۲۰ در مقاله‌ای با عنوان Barnacles Mating Optimizer: A new bio-inspired algorithm for solving engineering optimization problems در ژورنال Engineering Applications of Artificial Intelligence پایگاه علمی Elsevier ارائه شده است. الگوریتم BMO یا الگوریتم بهینه ساز جفت گیری بارناکل از جمله الگوریتم‌های مبتنی بر طبیعت است که برای حل مسائل بهینه سازی از آن استفاده می‌شود. در ادامه چکیده و مقدمه‌ای از ترجمه مقاله الگوریتم BMO آورده شده است.

چکیده انگلیسی مقاله الگوریتم BMO

This paper presents a novel bio-inspired optimization algorithm namely the Barnacles Mating Optimizer (BMO) algorithm to solve optimization problems. The proposed algorithm mimics the mating behaviour of barnacles in nature for solving optimization problems. The BMO is first benchmarked on a set of 23 mathematical functions to test the characteristics of BMO in finding the optimal solutions.

It is then applied to optimal reactive power dispatch (ORPD) problem to verify the reliability and efficiency of BMO. Extensive comparative studies with other algorithms are conducted and from the simulation results, it is observed that BMO generally provides better results and exhibits huge potential of BMO in solving real optimization problems.

Introduction

Optimization is the process of finding the best combination of variables or parameters that fulfil the constraints to achieve the objective function whether for minimization or maximization purposes. The objective function is normally formulated based on applications or problems to be solved and it can be in terms of cost, efficiency, profits etc. To solve optimization problem, there are various techniques or algorithms have been used from hard-computing until meta-heuristic approaches.

The hard-computing approaches rely on gradient-based information of the involved functions to find the optimal solution. Even though such techniques are still being used by different users to solve
optimization problems until today, they normally suffer from the local optima entrapment as well as ineffective for unknown problems with computationally expensive derivation (Saremi et al., 2017).

On the other hand, meta-heuristic approaches are becoming more popular especially in engineering optimization problems due to their ability to escape from the local optima with relying on simple concepts that mimic from nature and can be utilized in a wide range of problems from various disciplines.

Nature-inspired meta-heuristics are fairly simple and mostly inspired by uncomplicated concepts. They can be classified into four groups: evolutionary based, swarm based, physics-based and human behaviour-based algorithms (Mirjalili and Lewis, 2016).

ترجمه فارسی مقاله الگوریتم BMO

این مقاله یک الگوریتم بهینه‌سازی جدید با الهام از طبیعت یعنی الگوریتم بهینه‌ساز جفت‌گیری بارناکال‌ها (BMO) را برای حل مسائل بهینه‌سازی ارائه می‌کند. الگوریتم پیشنهادی از رفتار جفت‌گیری بارناکل‌ها در طبیعت برای حل مسائل بهینه‌سازی تقلید می‌کند. BMO ابتدا بر روی مجموعه‌ای از ۲۳ تابع ریاضی برای آزمایش ویژگی‌های این الگوریتم در یافتن راه‌حل‌های بهینه محک زده می‌شود. سپس بر روی مسئله توزیع توان راکتیو بهینه (ORPD) برای تأیید قابلیت اطمینان و کارایی BMO اعمال می‌شود.

مطالعات تطبیقی گسترده‌ای با سایر الگوریتم‌ها انجام شده و از نتایج شبیه سازی مشاهده می‌شود که BMO عموماً نتایج بهتری ارائه می‌دهد و پتانسیل عظیم BMO را در حل مسائل بهینه‌سازی واقعی را نشان می‌دهد.

چنان‌چه خواهان مطالعه بیشتر یا داشتن ارائه‌ای جذاب و عالی در رابطه با الگوریتم BMO بودید؛ پاورپوینت الگوریتم بهینه ساز جفت گیری بارناکل BMO را مد نظر قرار دهید.

مقدمه ترجمه مقاله الگوریتم BMO

بهینه‌سازی فرآیند یافتن بهترین ترکیب از متغیرها یا پارامترهایی است که مفروضات را برای دستیابی به تابع هدف چه برای حداقل کردن یا چه برای حداکثر کردن برآورده می‌کنند. تابع هدف معمولاً بر اساس برنامه‌ها یا مسائلی که باید حل شوند فرموله می‌شود و این فرمول می‌تواند از نظر هزینه، کارایی، سود و غیره باشد. برای حل مسئله بهینه سازی، تکنیک‌ها یا الگوریتم‌های مختلفی از محاسبات سخت تا رویکردهای فراابتکاری استفاده شده است.

رویکردهای محاسباتی سخت بر اطلاعات مبتنی برگرادیان توابع درگیر، برای یافتن راه‌حل بهینه تکیه می‌کنند. اگرچه چنین تکنیک‌هایی هنوز توسط کاربران مختلف برای حل مسائل بهینه‌سازی تا به امروز مورد استفاده قرار می‌گیرند، اما معمولاً مشکل به دام افتادن بهینه محلی دارند و همچنین برای مسائل ناشناخته با مشتق‌گیری پر هزینه محاسباتی، ناکارآمد هستند (صارمی و همکاران، ۲۰۱۷).

از سوی دیگر، رویکردهای فراابتکاری به ویژه در مسائل بهینه‌سازی مهندسی به دلیل توانایی آن‌ها در فرار از بهینه محلی با تکیه بر مفاهیم ساده که از طبیعت تقلید می‌کنند و می‌توانند در طیف گسترده‌ای از مسائل از رشته‌های مختلف استفاده شوند، رواج بیشتری پیدا می‌کنند. فراابتکاری الهام گرفته از طبیعت نسبتاً ساده است و بیشتر از مفاهیم غیر پیچیده الهام گرفته شده است. این الگوریتم‌ها را می‌توان به چهار گروه طبقه‌بندی کرد: الگوریتم‌های مبتنی بر تکامل، ازدحام، مبتنی بر فیزیک و الگوریتم‌های مبتنی بر رفتار انسانی (میرجلیلی و لوئیس، ۲۰۱۶).

درباره ترجمه مقاله الگوریتم BMO

ترجمه مقاله الگوریتم BMO نام کامل (Barnacles Mating Optimizer: A new bio-inspired algorithm for solving engineering optimization problems) به فارسی (الگوریتم بهینه ساز جفت گیری بارناکل) در قالب ورد به تعداد ۲۱ صفحه به‌صورت دقیق و روان توسط متخصصان ترجمه رشته کامپیوتر انجام شده است. به همراه فایل ترجمه، مقاله اصلی نیز جهت دانلود آورده شده است.

این ترجمه از طرف کارشناسان پی استور بررسی شده و دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر آن را خریداری کنید به محض خرید لینک دانلود در دسترس خواهد بود. مجموعه آموزشی پی استور علاوه بر ترجمه و داکیومنت‌ها دارای فایل‌های آماده در موضوعات مختلف نیز می‌باشد که می‌توانید مشاهده کنید.