الگوریتم فراابتکاری نفرون-2 (NOA-2)، جهت حل مسائل بهینه‌سازی

بهمنش, رضا; مجمع, نگار

doi:10.22052/scj.2023.248427.1104

الگوریتم فراابتکاری نفرون-2 (NOA-2)، جهت حل مسائل بهینه‌سازی

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه مهندسی صنایع، موسسه آموزش عالی نقش جهان، اصفهان، ایران

² گروه مهندسی کامپیوتر، موسسه آموزش عالی نقش جهان، اصفهان، ایران

10.22052/scj.2023.248427.1104

چکیده

امروزه الگوریتم‌های بهینه‌سازی فراابتکاری در حل مساله‌های بهینه‌سازی محبوبیت فراوانی پیدا کرده‌اند. با استفاده از این دسته الگوریتم‌های می‌توان به راحتی و به دور از پیچیدگی بسیاری از مساله‌های حوزه مهندسی را حل نمود. الگوریتم بهینه‌سازی نفرون-2 (NOA-2) نیز از این دسته الگوریتم‌ها است که توسعه اولین نسخه الگوریتم نفرون است. این الگوریتم الهامی از عملکرد نفرون در کلیه انسان است. ساختار الگوریتم NOA-2 که در این مقاله پیشنهاد شده، طبق رفتار نفرون مشتمل بر 4 بخش: جداسازی، جذب، تراوش و دفع است. برای ارزیابی عملکرد، به بررسی نتیجه اجرای الگوریتم NOA-2 و پنج الگوریتم بهینه‌سازی معروف دیگر بر روی هفت مساله بهینه‌سازی پرداخته شده است. در این ارزیابی، دو معیار کیفیت جواب (تابع هدف) و زمان حل محاسباتی برای ارزیابی و مقایسه در نظر گرفته شده‌اند. نتایج نشان می‌دهد که الگوریتم NOA-2 نسبت به سایر الگوریتم‌ها بهترین تابع هدف را در زمان معینی یافته و همچنین در زمان کمتری نسبت به سایر الگوریتم‌ها جواب بهینه هفت مساله مورد مطالعه را به دست آورده است.

کلیدواژه‌ها

عنوان مقاله [English]

Nephron-2 Meta-Heuristic Algorithm (NOA-2), to Solve Optimization Problems

نویسندگان [English]

Reza Behmanesh ¹
Negar Majma ²

¹ Industry Engineering Department, Naghshejahan Higher Education Institute, Isfahan, Iran

² Computer Engineering Department, Naghshejahan Higher Education Institute, Isfahan, Iran

چکیده [English]

Nowadays, meta-heuristic optimization algorithms have become very popular in solving optimization problems. By using this group of algorithms, many engineering problems can be solved easily and away from complexity. The Nephron-2 Optimization Algorithm (NOA-2) is one of these algorithms that is the extension of the first version of Nephron Algorithm Optimization. This algorithm is inspired by the functioning of the nephron in the human kidney. The structure of the NOA-2 algorithm proposed in this article according to the behavior of the nephron consists of 4 parts: Separation, absorption, transpiration, and excretion. In order to evaluate the performance, the results of the NAO-2 algorithm and five other famous optimization algorithms on seven optimization problems have been investigated. In this evaluation, two measures of solution quality (objective function) and computational solution time are considered for evaluation and comparison. The results show that the NAO-2 algorithm found the best objective function in a certain time compared to other algorithms and also obtained the optimal solution of the seven studied problems in less time than other algorithms

کلیدواژه‌ها [English]

Optimization
Nephron Algorithm
Metaheuristics
Diversification
Intensification

مراجع

[1] L. Bianchi, M. Dorigo, L.M. Gambardella, and W.J. Gutjahr, “A survey on metaheuristics for stochastic combinatorial optimization,” Nat. Comput., vol. 8, no. 2, pp. 239-287, 2009, doi: 10.1007/s11047-008-9098-4.
[2] M.G.H. Omran, S. Al-Sharhan, and M. Clerc, “A modified Intellects-Masses Optimizer for solving real-world optimization problems,” Swarm Evol. Comput., vol. 41, pp. 159-166, 2018, doi: 10.1016/j.swevo.2018.02.015.
[3] M. Lindahl, M. Sorensen, and T.R. Stidsen, “A fix-and-optimize matheuristic for university timetabling,” J. Heuristics, vol. 24, no. 4, pp. 645-665, 2018, doi: 10.1007/s10732-018-9371-3.
[4] C.-C. Wu, J.-Y. Chen, W.-C. Lin, K. Lai, S.-C. Liu, and P.-W. Yu, “A two-stage three-machine assembly flow shop scheduling with learning consideration to minimize the flowtime by six hybrids of particle swarm optimization,” Swarm Evol. Comput., vol. 41, pp. 97-110, 2018, doi: 10.1016/j.swevo.2018.01.012.
[5] R. Capua, Y. Frota, L.S. Ochi, and T. Vidal, “A study on exponential-size neighborhoods for the bin packing problem with conflicts,” J. Heuristics, vol. 24, no. 4, pp. 667-695, 2018, doi: 10.1007/s10732-018-9372-2.
[6] R. Behmanesh, “Nephron Algorithm Optimization: Inspired of the Biologic Nephron Performance,” Int. J. Appl. Metaheuristic Comput., vol. 7, no. 1, pp. 38-64, 2016, doi: 10.4018/IJAMC.2016010103.
[7] A. Maton, J. Hopkins, C.W., McLaughlin, S. Johnson, M.Q. Warner, D. LaHart, and J.D. Wright, Human Biology and Health. Prentice Hall, Englewood Cliffs, 1993.
[8] H. Darcy, Les fontaines publiques de la ville de Dijon: exposition et application, par Henry Darcy. Victor Dalmont, 1856.
[9] A. Bejan, Convection heat transfer, John Wiley & Sons, Inc., 2013, doi: 10.1002/9781118671627.
[10] D.E. Goldberg, Genetic Algorithms in Search Optimization and Machine Learning, Addison-Wesley 1989, ISBN 0-201-15767-5.
[11] E. Atashpaz-Gargari and C. Lucas, “Imperialist competitive algorithm: An algorithm for optimization inspired by imperialistic competition,” in IEEE Congr. Evol. Comput., Singapore, 2007, pp. 4661-4667, doi: 10.1109/CEC.2007.4425083.‏
[12] Y. Shi and R. Eberhart, “A modified particle swarm optimizer,” in IEEE Int. Conf. Evol. Comput. Proc., IEEE World Congr. Comput. Intell., Anchorage, AK, USA, 1998, pp. 69-73, doi: 10.1109/ICEC.1998.699146.
[13] D. Simon, “Biogeography-Based Optimization,” IEEE Trans. Evol. Comput., vol. 12, no. 6, pp. 702-713, 2008, doi: 10.1109/TEVC.2008.919004.
[14] D. Karaboga and B. Basturk, “A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm,” J. Glob. Optim., vol. 39, no. 3, pp. 459-471, 2007, doi: 10.1007/s10898-007-9149-x.
[15] J. Salimisartaghti and S. Goli-Bidgoli, “A Hybrid Algorithm using Firefly, Genetic, and Local Search Algorithms,” Soft Comput. J., vol. 8, no. 1, pp. 14-28, 2019, doi: 10.22052/8.1.14 [In Persian].
[16] M. Mohammadpour, B. Minaei, and H. Parvin, “Introducing a new meta-heuristic algorithm based on See-See Partridge Chicks Optimization to solve dynamic optimization problems,” Soft Comput. J., vol. 8, no. 2, pp. 38-65, 2020, doi: 10.22052/8.2.38 [In Persian].
[17] M.P. Akbarpour, K. Khamforoosh, and V. Maihami, “An approach to Improve Particle Swarm Optimization Algorithm Using CUDA,” Soft Comput. J., vol. 8, no. 2, pp. 2-21, 2020, doi: 10.22052/8.2.2 [In Persian].
[18] S. Surjanovic and D. Bingham, D., (August 2017), Optimization Test Problems, Simon Fraser University, [Online], Available: https://www.sfu.ca/~ssurjano/optimization.html.