شبیه سازی شکار در الگوریتم بهینه سازی وال یا نهنگ WOA در متلب

در این پست سورس کد شبیه سازی شکار در الگوریتم بهینه سازی وال یا نهنگ WOA در متلب قرار داده شده است. بسیاری از کدهایی که در سایت‌های مختلف قرار دارد بر اساس توابع تست الگوریتم بهینه سازی نهنگ را توضیح و تشریح می‌دهند. برای اینکه مسئله بهینه سازی نهنگ واضح و بصورت گرافیکی در طول اجرای الگوریتم بدرستی نشان داده شود از یک دسته یا طعمه فرضی استفاده کردیم و در هر تکرار وال‌ها به طعمه نزدیک و نزدیکتر می‌شوند.در واقع این سورس کد حمله واقعی نهنگ‌ها به دسته ماهی‌ها در الگوریتم را نشان می‌دهد. در ضمن مقاله‌ای کامل با عنوان الگوریتم بهینه سازی وال ها یا نهنگ WOA در همین سایت آماده کرده‌ایم که می‌توانید مطالعه کنید.

الگوریتم شکار نهنگ WOA چیست؟

الگوریتم بهینه سازی وال‌ها یا نهنگ WOA یک الگوریتم متاهیورستیک یا فرا ابتکاری است است و برای مسائل بهینه سازی از آن استفاده می‌شود. این الگوریتم مبتنی بر جمعیت Population-Based بوده، روال ساده‌ای دارد. الگوریتم  وال توسط سید علی میرجلیلی (Seyedali Mirjalili) در سال ۲۰۱۶ در مقاله The Whale Optimization Algorithm در ژورنال Advances in Engineering Software پایگاه علمی Elsevierارائه شده است. در ادامه توضیحاتی در مورد این الگوریتم داده می‌شود.

الگوریتم بهینه سازی وال ها یا نهنگ ها

یکی از بزرگترین پستانداران دنیا وال یا نهنگ است از بین ۷ نهنگ دنیا معروف‌ترین آنها، نهنگ گوژپشت یا نهنگ کوهان دار است. یک وال گوژپشت بالغ تقریباً به اندازه یک اتوبوس مدرسه است. شکار مورد علاقه وال‌ها، کریل و گروه‌های ماهی کوچک است. جالب ترین نکته در مورد وال‌های گوژپشت روش خاص شکار آنها می‌باشد. این رفتار کاوش گرانه به نام روش تغذیه حباب تور (Bubble-net) شناخته می‌شود.

وال‌های گوژپشت ترجیح می‌دهند تا دسته‌ای از کریل‌ها و یا ماهی‌های کوچک را در نزدیک سطح آب شکار کنند. این نکته مشاهده شده است که این کاوش و شکار، با ایجاد حباب های شاخصی در امتداد یک دایره یا مسیرهایی به انجام می‌رسد. الگوریتم WOA یکی از الگوریتم‌های بهینه سازی الهام گرفته شده از طبیعت و مبتنی بر جمعیت است که در زمینه‌های مختلف می‌توان از آن استفاده کرد.

مراحل الگوریتم

الگوریتم وال WOA  در سه مرحله یا سه فاز انجام می‌شود که بصورت زیر است:

1. شکار محاصره ای
2. فاز بهره برداری: روش حمله به حباب تور
3. مرحله اکتشاف: جستجوی شکار

قسمت هایی از سورس کد شکار در الگوریتم بهینه سازی وال

plot(Xprey,Yprey,'ks','MarkerSize',12,'MarkerFaceColor',[1 0 1]);
hold on;
plot(X,Y,'ro','MarkerSize',8,'MarkerFaceColor',[0 0 1]);

%%
nVar=2;
ub=100;
lb=0;
Costfunction=@(position,xprey,yprey) distance(position,xprey,yprey);

%% WhaleO parametrs
nPop=size(X,2);
MaxIt=500;
a=2;

%% initialaze step

Empty_Whale.position=[];
Empty_Whale.fitt=[];
Whale=repmat(Empty_Whale,nPop,1);

bestsol.position=[];
bestsol.fitt=inf;
for i=1:nPop
    Whale(i).position=[X(i) Y(i)];
    Whale(i).fitt=Costfunction(Whale(i).position,Xprey,Yprey);
    
    if Whale(i).fitt <bestsol.fitt
        bestsol.position=Whale(i).position;
        bestsol.fitt=Whale(i).fitt;
    end
        
end

for it=1:MaxIt
 
      for   i=1:nPop
       for   j=1:nVar
           
           r1=rand;
           r2=rand;

           A=2*a*r1-a;
           c=2*r2;
           p=rand;

درباره اثر

سورس کد شبیه سازی شکار در الگوریتم بهینه سازی وال یا نهنگ WOA در متلب عنوان اثری است که در این پست به آن پرداخته شده است. اثر مذکور در نرم افزار متلب نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است و دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر آن را خریداری کنید.