Классические поисковые и оптимизационные алгоритмы неэффективны в случае сложных нелинейных динамических крупномасштабных задач с неполными исходными данными. Поэтому в качестве рабочих вариантов были предложены интеллектуальные оптимизационные алгоритмы, в основу которых положены естественные процессы (физические, биологические, химические, математические и др.). Так что в основу многих интеллектуальных оптимизационных алгоритмов положены физические и биологические процессы, которые они моделируют. Концепция постоянного поиска наилучших решений и отсутствие общего для всех задач наиболее эффективного алгоритма обусловили появление абсолютно новых методов или новых вариантов существующих методов, которые позволили бы решать очень сложные задачи оптимизации. В основу двух предложенных недавно алгоритмов, а именно, алгоритма лучевой оптимизации (Ray Optimization) и алгоритма оптической оптимизации (Optics Inspired Optimization), был положен свет, вследствие чего в данной работе их называют основанными на законах распространения света интеллектуальными оптимизационными алгоритмами (Light-based Intelligent Optimization Algorithms). В основу этих относительно новейших поисковых и оптимизационных алгоритмов были положены законы преломления и отражения света. В данной работе впервые проведены в одинаковых условиях исследования этих основанных на законах распространения света интеллектуальных оптимизационных алгоритмов и проанализирована их эффективность применительно к свободным от ограничений базовым функциям (benchmark functions) и имеющим ограничения реальным конструкторским задачам. Полученные результаты продемонстрировали преимущество лучевой оптимизации, которая, скорее всего, позволит решать многие сложные задачи. 1. Hussain, K., Salleh, M.N.M., Cheng, S., Shi, Y. Metaheuristic research: a comprehensive survey // Artificial Intelligence Review. – 2018. – Vol. 49, No. 1. – P. 1–43.
2. Nabaei, A., Hamian, M., Parsaei, M.R., Safdari, R. Samad-Soltani, T., Zarrabi, H., Ghassemi, A. Topologies and performance of intelligent algorithms: a comprehensive review // Artificial Intelligence Review. – 2018. – Vol. 49, No. 1. – P. 79–103.
3. Alatas, B. Chaotic bee colony algorithms for global numerical optimization // Expert Systems with Applications. – 2010. – Vol. 37, No. 8. – P. 5682–5687.
4. Kashan, A.H. A new metaheuristic for optimization: Optics inspired optimization // Computers & Operations Research. – 2015. – Vol. 55. – P. 99–125.
5. Kashan, A.H. An effective algorithm for constrained optimization based on optics inspired optimization (OIO) // Computer-Aided Design. – 2015. – Vol. 63. – P. 52–71.
6. Kaveh, A., Khayatazad, M. A new meta-heuristic method: ray optimization // Computers & structures. – 2012. – Vol. 112. – H. 283–294.
7. Kaveh, A., Khayatazad, M. Ray optimization for size and shape optimization of truss structures // Computers & Structures. – 2013. – Vol. 117. – P. 82–94.
8. Tsoulos, I.G. Modifications of real code genetic algorithm for global optimization // Applied Mathematics and Computation. – 2008. – Vol. 203. – P. 598–607.
9. Camp, C.V., Bichon J. Design of space trusses using ant colony optimization // Journal of Structural Engineering. – 2004. – Vol. 130. – P. 741–751.
10. Camp, C.V. Design of space trusses using big bang–big crunch optimization // Journal of Structural Engineering. – 2007. – Vol. 133. – P. 999–1008.
11. Perez, R.E., Behdinan, K. Particle swarm approach for structural design optimization // Computers & Structures. – 2007. – Vol. 85. – P. 1579–1588.
12. Kaveh, A., Talatahari, S. Particle swarm optimizer, ant colony strategy and harmony search scheme hybridized for optimization of truss structures // Computers & Structures. – 2009. – Vol. 87. – P. 267–283.
13. Kaveh, A., Ghazaan, M.I., Bakhshpoori, T. An improved ray optimization algorithm for design of truss structures // Periodica Polytechnica, Civil Engineering. – 2013. – Vol. 57, No. 2. – P. 97–112.
14. Kaveh, A., Javadi, S.M. Shape and size optimization of trusses with multiple frequency constraints using harmony search and ray optimizer for enhancing the particle swarm optimization algorithm // Acta Mechanica. – 2014. – Vol. 225, No. 6. – P. 1595–1605.
15. He, Q., Wang, L. An effective co-evolutionary particle swarm optimization for constrained engineering design problems // Engineering Applications of Artificial Intelligence. – 2007. – Vol. 20, No. 1. – P. 89–99.
16. Yildiz, A. R. A novel particle swarm optimization approach for product design and manufacturing // The International Journal of Advanced Manufacturing Technology. – 2009. – Vol. 40, No. 5. – P. 617–628.
17. Wang, J., Yin, Z. A ranking selection-based particle swarm optimizer for engineering design optimization problems // Structural and Multidisciplinary Optimization. – 2008. – Vol. 37, No. 2. – P. 131–147.
18. Mahdavi, M., Fesanghary, M., Damangir, E. An improved harmony search algorithm for solving optimization problems // Applied mathematics and computation. – 2007. – Vol. 188, No. 2. – P. 1567–1579.
19. Hedar, A.R., Fukushima, M. Derivative-free filter simulated annealing method for constrained continuous global optimization // Journal of Global Optimization. – 2006. – Vol. 35, No. 4. –P. 521–549.
20. Mezura-Montes, E., Coello, C.C., Landa-Becerra, R. Engineering optimization using simple evolutionary algorithm // Proc. 15th IEEE International Conf. on Tools with Artificial Intelligence, 2003. – P. 149–156.
21. Badrloo, S. A new method for solving combinatorial optimization problems with permutation based solution structure using optics inspired optimization // Azad University, Science and Research Branch, 2015, Iran.
22. Moghadasi, M. Design of image processing methods using league championship algorithm and optics inspired optimization // Azad University, Science and Research Branch, 2015, Iran.
23. Badrloo, S., Kashan, A.H. A new method for the travelling salesman problem based on Optics Inspired Optimization // Int. Conf. on Modern Research in Management and Industrial Engineering, 2015, Iran.
24. Badrloo, S., Kashan A.H. A new method for the quadratic assignment problem based on Optics Inspired Optimization // Int. Conf. on Modern Research in Management and Industrial Engineering, 2015, Iran.
25. Lalwani, P., Banka, H., Kumar, C.CRWO: Clustering and routing in wireless sensor networks using optics inspired optimization // Peer to Peer Networking and Applications. – 2017. – Vol. 10, No. 3. – P. 453–471.
26. Abdulla, A.E., Nishiyama, H., Kato, N. Extending the lifetime of wireless sensor networks: A hybrid routing algorithm // Computer Communications. – 2012. – Vol. 35, No. 9. – P. 1056–1063.
27. Yu, J., Qi, Y., Wang, G., Gu, X. A cluster-based routing protocol for wireless sensor networks with non-uniform node distribution // AEU-International Journal of Electronics and Communications. – 2012. – Vol. 66, No. 1. – P. 54–61.
28. Sabet, M., Naji, H.R. A decentralized energy efficient hierarchical cluster-based routing algorithm for wireless sensor networks // AEU-International Journal of Electronics and Communications. – 2015. – Vol. 69, No.5. – P. 790–799.
29. Ozdemir, M.T., Ozturk, D. İki bölgeli güç sistemininin optikten esinlenen optimizasyon algoritması ile optimal yük frekans kontrolü // Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 2016. – Vol. 28, No. 2. – P. 57–66.
30. Muller, S.D., Marchetto, J., Airaghi, S., Koumoutsakos, P. Optimization based on bacterial chemotaxis // IEEE Transactions on Evolutionary Computation. – 2002. – Vol. 6. – P. 16–29.
31. Altay, E.V., Alatas, B. Bird swarm algorithms with chaotic mapping // Artificial Intelligence Review. – 2020. – Vol. 53, No. 2. – P. 1–42.
32. Alatas, B. Sports inspired computational intelligence algorithms for global optimization // Artificial Intelligence Review. – 2019. Vol. 52, No. 3. – P. 1579–1627.
33. Bingol, H., Alatas, B. Chaotic league championship algorithms // Arabian Journal for Science and Engineering. – 2016. – Vol. 41, No. 12. – P. 5123–5147.
34. Belegundu, A.D., Arora, J.S. A study of mathematical programming methods for structural optimization. Part I: Theory // Int. Journal for Numerical Methods in Engineering. – 1985. – Vol. 21, No. 9. – P. 1583–1599.
35. Ragsdell, K.M., Phillips, D.T. Optimal design of a class of welded structures using geometric programming // Journal of Engineering for Industry. – 1976. – Vol. 98, No. 3. – P. 1021–1025.

• Предыдущая статья
• Следующая статья

• оптимизация
• основанная на законах оптики оптимизация
• лучевая оптимизация
• искусственный интеллект