نهنگ ها یا وال ها، بیشتر به عنوان شکارچیان در نظر گرفته می شوند. آنها هرگز نمی خوابند زیرا باید از سطح اقیانوس ها نفس بکشند. در حقیقت ، نیمی از مغز فقط می خوابد. نکته جالب در مورد نهنگ ها این است که آنها به عنوان حیوانات بسیار باهوش و دارای احساسات در نظر گرفته می شوند. نهنگ می تواند شبیه یک انسان فکر کند ، یاد بگیرد ، قضاوت کند ، ارتباط برقرار کند و حتی احساساتی شود ، اما بدیهی است این اعمال با سطح بسیار کمتری از هوشمندی انجام میشود. در این مقاله به مباحث زیر پرداخته شده است :
الگوریتم بهینه سازی وال (WOA)
تاریخچه و ایده اصلی الگوریتم وال
رفتار الگوریتم وال (WOA)
مفاهیم اساسی الگوریتم بهینه سازی وال
محاصره طعمه در الگوریتم بهینه سازی وال (WOA)
مرحله بهره برداری یا روش حمله حباب خالص در الگوریتم وال
نهنگ ها یا وال ها (غالباً نهنگهای قاتل) قادر به توسعه گویش خود هستند. نکته جالب رفتار اجتماعی نهنگ ها است. جالب ترین نکته در مورد وال های خرچنگ روش ویژه شکار آنها است. این رفتار تغذیه حباب خالص گفته می شود . وال های هامب بک ترجیح می دهند ماهی کریل یا ماهی های کوچک نزدیک به سطح را شکار کنند. این کار با ایجاد حباب های مشخص در طول یک دایره یا یک مسیر 9 پوند انجام می شود. قبل از سال 2011 ، این رفتار فقط بر اساس مشاهده از سطح مورد بررسی قرار گرفت. با این حال ، گلدبوژن و همکاران این رفتار را بررسی کردند. آنها دو مانور مرتبط با حباب پیدا کردند و آنها را “مارپیچهای رو به بالا” و “حلقه های دوبل” نامگذاری کردند. در مانور سابق ، وال های تپنده ، حدود 12 متر پایین می روند .سپس شروع به ایجاد حباب به شکل مارپیچی در اطراف طعمه می کنند و به سمت سطح شنا می کنند. مانور بعدی شامل سه مرحله مختلف حلقه مرجانی ، لابلائیل و حلقه گرفتن است.
الگوریتم بهینه سازی وال (WOA) یک الگوریتم اکتشاف شناسی جدید است. الگوریتم WOA توسط Mirjalili پیشنهاد شد .
نهنگ یا وال دارای مکانیزم شکار ویژه ای است که به آن روش تغذیه حباب می گویند.
این رفتار علوفه ای با خرد کردن حباب های مخصوص به صورت مارپیچ انجام می شود.
wh یا وال های هومب بک ، محل طعمه را می دانند و آنها را محاصره می کنند. آنها فکر می کنند بهترین راه حل فعلی، نامزد بهترین راه حل به دست آمده و نزدیک به راه حل بهینه است. پس از تعیین بهترین راه حل نامزد ، سایر عوامل سعی می کنند مواضع خود را به سمت بهترین عامل جستجوگر تغییر دهند ، همانطور که در معادله زیر نشان داده شده است.
مفاهیم اساسی الگوریتم بهینه سازی وال (طعمه محاصره)
بردارهای A و C به شرح زیر محاسبه می شوند:
که در آن اجزای a به طور خطی از 2 به 0 در طول تکرار کاهش می یابد و r بردار تصادفی در [0؛ 1] است.
wh وال های نر با مکانیسم خالص حباب به طعمه حمله می کنند.
معادله ریاضی این مکانیسم به صورت زیر است:
مکانیسم محاصره با روند کوچک کردن:
در این مکانیسم ، مقدار A تصادفی است.
مقدار در فاصله [-a ، a] a است.
در طول تکرار از 2 به 0 کاهش یافته است.
همانطور که در Eq نشان داده شده است.
در این مکانیسم ، فاصله بین موقعیت وال و محل طعمه محاسبه می شود . سپس حرکت مارپیچ ایجاد می شود .همانطور که در معادله زیر نشان داده شده است :
در آن D ‘= | X * (t) – X (t) | فاصله بین طعمه (بهترین راه حل) و نهنگ Ith است . b یک ثابت است .l یک عدد تصادفی در [-1; 1]. است.
wh وال های humpback هنگام شنا در اطراف طعمه از دو مکانیسم استفاده می کند.
ما مدل ریاضی این دو مکانیسم را تنظیم می کنیم . فرض می کنیم که احتمال انتخاب 50٪ بین این دو مکانیسم برای به روزرسانی موقعیت وال ها به شرح زیر است.
p یک عدد تصادفی در [0; 1] است.
در مرحله اکتشاف ، وال های گله (عوامل جستجو) به طور تصادفی طعمه (بهترین راه حل) را جستجو می کنند و موقعیت های خود را با توجه به موقعیت وال های دیگر تغییر می دهند. به منظور وادار کردن عامل جستجوگر به دور از نهنگ مرجع ، از A با مقادیر> 1 یا <1 استفاده می کنیم. مدل ریاضی مرحله اکتشاف به شرح زیر است:
Xrand یک بردار موقعیت تصادفی است که از جمعیت فعلی انتخاب شده است.
مرحله 1. الگوریتم بهینه سازی وال استاندارد با تعیین مقادیر اولیه اندازه جمعیت n ، پارامتر a ، ضرایب A و C و حداکثر تعداد تکرارها max_itr آغاز می شود. خط 1.
مرحله 2. شمارنده تکرار را شروع کنید. خط 2.
مرحله 3. جمعیت اولیه n بطور تصادفی تولید می شود و هر عامل جستجو Xi در جمعیت با محاسبه عملکرد تناسب اندام f (Xi) ارزیابی می شود. خط 3-6.
مرحله 4. بهترین عامل جستجوی X. خط 7 را اختصاص دهید
مرحله 5. مراحل زیر تا زمانی که معیار خاتمه راضی شود تکرار می شوند. خطوط 9-30
مرحله 5.1. شمارنده تکرار در حال افزایش t = t + 1. خط 9 است
مرحله 5.2. تمام پارامترهای a ، A ، C ، l و P به روز می شوند. خط 11
مرحله 5.3. اکتشاف و بهره برداری با توجه به مقادیر p و | A | انجام میشود. خط 12-27
مرحله 6. بهترین عامل جستجوی X به روز میشود. خط 28
مرحله 7. روند کلی تا زمانی که معیارهای خاتمه برآورده تکرار میشود. خط 29
مرحله 8 بهترین عامل جستجوی یافت شده (راه حل) را تا کنون X. خط 30 تولید کنید
Matlabanalysis2012@gmail.com