کد الگوریتم وال بهبود یافته (نهنگ بهبود یافته) LXWOA در متلب

در این پست به سورس کد الگوریتم وال WOA بهبود یافته یا همان الگوریتم نهنگ بهبود یافته در متلب می‌پردازیم. این الگوریتم توسط Amarjeet Singh در سال ۲۰۱۹ در مقاله Laplacian whale optimization algorithm در ژورنال International Journal of System Assurance Engineering and Management پایگاه علمی Springer ارائه شده است. در ادامه به معرفی نحوه کار کرد این الگوریتم بهینه سازی پرداخته می‌شود. برای دانلود مقاله اصلی روی این لینک (+) کلیک کنید.

قبل از توضیح الگوریتم بهبود یافته نهنگ که با عنوان Laplacian whale optimization algorithm معرفی شده است ابتدا یک توضیح مختصری از الگوریتم وال اصلی را ارائه می‌دهیم سپس به سراغ الگوریتم بهبود یافته وال خواهیم رفت. الگوریتم وال یا نهنگ whale optimization algorithm یا به اختصار WOA در سال ۲۰۱۶ توسط سید علی میرجلیلی ارائه شده که با استفاده از رفتار نهنگ‎های گوژپشت در شکار به تولید و حل مسئله می‌پردازد.

الگوریتم بهینه سازی وال‌ها یا نهنگ‌ها (WOA اصلی)

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. جالب‌ترین 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 حباب‌های شاخصی در امتداد یک دایره یا مسیرهایی به انجام می‌رسد. الگوریتم WOA یکی از الگوریتم های 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 محاصره‌ای
2. فاز بهره برداری : روش حمله به حباب تور
3. مرحله اکتشاف: جستجوی شکار

فرصت استثنایی

فرصت استثنایی برای خرید پک آموزشی الگوریتم WOA را از دست ندهید. اگر می‌خواهید الگوریتم وال را بصورت کامل یاد بگیرید و با قیمت مقرون به صرفه اثر را خریداری کنید حتماً پیشنهاد ما رو از دست ندهید. برای اطلاعات بیشتر روی لینک زیر کلیک کنید.

پکیج آموزش الگوریتم وال یا نهنگ WOA

الگوریتم بهبود یافته بهینه سازی وال‌ها LXWOA

در الگوریتم بهبود یافته وال همان مراحل الگوریتم وال اصلی استفاده شده است فقط در هر مرحله از تکرار شروع به یک CrossOver بر روی جواب‌ها می‌کند. بدین صورت که در هر مرحله از با انتخاب دو والد یکی بهترین جواب یعنی وال رهبر یا بهترین وال و والد دوم از بصورت تصادفی از بین بقیه وال‌ها یک کراس اور با تکنیک لاپلاسین انجام می‌دهد.

پس از تولید دو فرزند جدید این فرزندان را با دو وال دیگر که از لحاظ تابع تناسب یا همان Fitness پایین‌تر از بقیه هستند جایگزین می‌کند. یعنی فرزندان جدید یا وال‌های جوان با وال‌های پیر جایگزین می‌شوند.

به بیان دیگر با استفاده از تکنیک Laplace Crossover امکان یک جستجوی سراسری به الگوریتم وال اصلی داده می‌شود تا جواب‌های تصادفی دیگر، نه در حول بهترین جواب که در حول جواب‌های دیگر نیز تولید شود. با این عمل الگوریتم قادر خواهد بود به جواب‌های دیگری نیز که احتمالاً جواب‌های بهتری هستند دست یابد. فلوچارت مربوط به این الگوریتم را در زیر مشاهده می‌کنید قسمت مشخص شده بخشی است که به‌عنوان بهبود بر روی الگوریتم وال اصلی صورت گرفته است.

کد الگوریتم وال WOA بهبود یافته در متلب

سورس کد الگوریتم WOA بهبود یافته در متلب شامل توابعی است که اسکریپت main در واقع کد اصلی برنامه می‌باشد و بقیه فراخوانی‌ها از آن‌جا انجام می‌شود. همچنین این برنامه داری ۶ تابع است. توابع تست برای این الگوریتم ۲۳ تابع می‌باشد که از معروف‌ترین آن‌ها در زیر تعدادی را مشاهده می‌کنید.

• تابع  SPHERE
• تابع ACKLEY
• تابع SUM SQUARES
•  تابع ROSENBROCK
• تابع SUM OF DIFFERENT POWERS
• تابع ZAKHAROV
• تابع Rastrigin

توابع تست برای ارزیابی الگوریتم های بهینه سازی بکار می‌روند که در این سایت برای توضیحات بیشتر در مورد توابع تست الگوریتم های بهینه سازی مقاله ای آماده کردیم. توابع زیادی برای تست عملکرد الگوریتم های بهینه سازی وجود دارد که در اینجا ما به این ۷ تابع اکتفا کرده‌ایم ولی در سورس کد با ۲۳ نوع تابع مختلف (همانند مقاله) ارزیابی شده است.

همچنین لازم به ذکر است که برای اجرای الگوریتم بهینه سازی روی مسئله مورد نظر تابع هزینه یا Cost Function آن تغییر خواهد کرد و بقیه الگوریتم دست نخورده باقی می‌ماند بنابراین برای اجرای الگوریتم WOAدر متلب برای بهینه سازی مسئله خودتان تابع هزینه خود را بر اساس پارامترهای مسئله خود تعریف کنید.

قسمتی از سورس کد الگوریتم وال بهبود یافته

clc 
clear
close all

a={'F1','F2','F3','F4','F5','F6','F7','F8','F9','F10','F11','F12','F13','F14','F15','F16','F17','F18','F19','F20','F21','F22','F23'};
SearchAgents_no=30; % Number of search agents
Max_iteration=500; % Maximum numbef of iterations

%for F_index = 1 - 23
F_index=1;
WOAresult=[]; WOAresult=[]; WOApos=[]; WOAplotdata=[];LXWOAresult=[]; LXWOAresult=[]; LXWOApos=[]; LXWOAplotdata=[]; 
Function_name=F_index; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper)

% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
for run=1:30   % run
 
 Positions=initialization(SearchAgents_no,dim,ub,lb);
 tic
 [Best_score,Best_pos,WOA_cg_curve]=WOA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions);
 t2=toc;
 WOAresult(run,1)=Best_score;
 WOAresult(run,2)=t2;
 WOApos(run,:)=Best_pos;
 WOAplotdata(:,run)=WOA_cg_curve;
 run
 tic
 [Best_score,Best_pos,WOA_cg_curve]=LXWOA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions);
 t1=toc;
 LXWOAresult(run,1)=Best_score;
 LXWOAresult(run,2)=t1;
 LXWOApos(run,:)=Best_pos;
 LXWOAplotdata(:,run)=WOA_cg_curve; 
end
a=sum(WOAplotdata,2)/30;
b=sum(LXWOAplotdata,2)/30;
semilogy(a,'LineWidth',2)
hold on
semilogy(b,'LineWidth',2)
legend({'WOA','LXWOA'})

برای دانلود سورس کامل، کد الگوریتم وال بهبود یافته (نهنگ بهبود یافته) LXWOA در متلب را خریداری فرمایید.

تصویر خروجی اثر

درباره سورس کد الگوریتم WOA بهبود یافته

سورس کد الگوریتم وال بهبود یافته در متلب در محیط Matlab 2014b نوشته و اجرا شده است این سورس کد توسط تیم پشتیبانی پی استور تست و اجرا شده است. کیفیت محصول توسط پی استور تضمین می شود و محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری فرمایید به محض خرید لینک دانلود در دسترس خواهد بود.