Thanh bên bài viết
Số lượt xem PDF: 13
##plugins.generic.badges.manager.settings.showBlockTitle##
Nâng cao chất lượng giải pháp của thuật toán lai sói xám và di truyền thông qua tìm kiếm cục bộ lốc xoáy
Nội dung chính của bài viết
Tóm tắt
Bài báo này nghiên cứu việc nâng cao hiệu suất của thuật toán Sói xám (GWO) bằng cách kết hợp với thuật toán di truyền (GA) và tích hợp thêm bước tìm kiếm cục bộ lốc xoáy nhằm cải thiện khả năng tối ưu hóa. GWO là một phương pháp dựa trên hành vi săn mồi của Sói xám, trong khi GA là thuật toán tiến hóa mô phỏng quá trình chọn lọc tự nhiên. Việc kết hợp này tận dụng khả năng khai thác của GWO, khả năng khám phá của GA và sự tinh chỉnh bằng phương pháp tìm kiếm cục bộ lốc xoáy. Thực hiện các thí nghiệm trên các hàm kiểm tra chuẩn cho thấy phương pháp GWO-GA cải thiện đáng kể độ chính xác và tốc độ hội tụ so với các phương pháp truyền thống. Phương pháp này mở ra một cách tiếp cận mới trong lĩnh vực tối ưu hóa, với tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Các hướng phát triển tương lai bao gồm tối ưu hóa tham số thuật toán và thử nghiệm trên các bài toán tối ưu hóa thực tế phức tạp hơn.
Từ khóa
GA, GWO, hiệu suất tối ưu, tìm kiếm cục bộ lốc xoáy, tối ưu hóa kết hợp
Chi tiết bài viết
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Abd Elaziz, M., & Oliva, D. (2018). Parameter estimation of solar cells diode models by an improved opposition-based whale optimization algorithm. Energy Conversion and Management, 171, 1843–1859. https://doi.org/10.1016/j.enconman.2018.05.062
Emary, E., Zawbaa, H. M., & Hassanien, A. E. (2016). Binary grey wolf optimization approaches for feature selection. Neurocomputing, 172, 371–381. https://doi.org/10.1016/j.neucom.2015.06.083
Fu, Y., Xiao, H., Lee, L. H., & Huang, M. (2021). Stochastic optimization using grey wolf optimization with optimal computing budget allocation. Applied Soft Computing, 103, 107154. https://doi.org/10.1016/j.asoc.2021.107154
Jamil, M., & Yang, X.-S. (2013). A literature survey of benchmark functions for global optimization problems. International Journal of Mathematical Modelling and Numerical Optimisation, 4(2), 150–194. https://doi.org/10.48550/arXiv.1308.4008
Mirjalili, S. (2015). How effective is the grey wolf optimizer in training multi-layer perceptrons. Applied Intelligence, 43(1), 150–161. https://doi.org/10.1007/s10489-014-0645-7
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in Engineering Software, 69, 46–61. https://doi.org/10.1016/j.advengsoft.2013.12.007
Mirjalili, S., Saremi, S., Mirjalili, S. M., & Coelho, L. D. S. (2016). Multi-objective grey wolf optimizer: A novel algorithm for multi-criterion optimization. Expert Systems with Applications, 47, 106–119. https://doi.org/10.1016/j.eswa.2015.10.039
Mondal, M., Srivastava, D., & Chitkara, U. (2023). A genetic algorithm-based approach to solve a new time-limited travelling salesman problem. International Journal of Distributed Systems Technology, 14(2), 1–14. https://doi.org/10.4018/IJDST.317377
Panda, M., & Das, B. (2019). Grey wolf optimizer and its applications: A survey. In Proceedings of the Third International Conference on Microelectronics, Computing and Communication Systems (Lecture Notes in Electrical Engineering, pp. 179–194). https://doi.org/10.1007/978-981-13-7091-5_17
Rafaely, B., & Bennell, J. A. (2006). Optimisation of FTSE 100 tracker funds: A comparison of genetic algorithms and quadratic programming. Management Finance, 32(6), 477–492. https://doi.org/10.1108/03074350610666210
Shial, G., Sahoo, S., & Panigrahi, S. (2023). An enhanced GWO algorithm with improved explorative search capability for global optimization and data clustering. Applied Artificial Intelligence, 37(1), e2166232. https://doi.org/10.1080/08839514.2023.2166232
Tomar, V., Bansal, M., & Singh, P. (2023). Metaheuristic algorithms for optimization: A brief review. Engineering Proceedings, 59(1), 238. https://doi.org/10.3390/engproc2023059238
Tuhus-Dubrow, D., & Krarti, M. (2010). Genetic-algorithm based approach to optimize building envelope design for residential buildings. Building and Environment, 45(7), 1574–1581. https://doi.org/10.1016/j.buildenv.2010.01.005
Yao, Z., & Xu, Y. (2024). An improved genetic algorithm for robot path planning. Journal of Computational Methods in Science and Engineering, 24(3), 1331–1340. https://doi.org/10.3233/JCM-247133
Zhang, S., Luo, Q., & Zhou, Y. (2017). Hybrid grey wolf optimizer using elite opposition-based learning strategy and simplex method. International Journal of Computational Intelligence Applications, 16(02), 1750012. https://doi.org/10.1142/S1469026817500122
Các bài báo được đọc nhiều nhất của cùng tác giả
- Ngô Thị Hồng Tâm, Phạm Minh Nguyệt, Đinh Nguyễn Trọng Nghĩa, Nghiên cứu cấu trúc hình học của cluster Si12 pha tạp nguyên tử As , Tạp chí Khoa học Đại học Đồng Tháp: Số 33 (2018): Phần B - Khoa học Tự nhiên