بهبود الگوریتم فرا ابتکاری پافین قطبی مبتنی بر نگاشت آشوب
الموضوعات : فناوری اطلاعات و ارتباطات
حمیدرضا قاسمی
1
,
علی اکبر نقابی
2
,
بابک لطفی
3
1 - گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران
2 - گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران
3 - گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران
الکلمات المفتاحية: الگوریتم پافین قطبی, بهینهسازی آشوبی, نگاشت لجستیک, الگوریتم فراابتکاری, محاسبات تکاملی.,
ملخص المقالة :
الگوریتم پافین قطبی که در سال ۲۰۲۴ معرفی شده، با الهام از رفتار شکار این پرنده در محیطهای هوایی و دریایی طراحی شده و از مفاهیم هوش جمعی برای مدلسازی حرکت گروهی پافینها استفاده میکند. این الگوریتم با بهرهگیری از استراتژیهای مختلف حرکتی، تلاش میکند تعادل مناسبی میان فرآیندهای اکتشاف و بهرهبرداری در فضای جستجو ایجاد کند. با این حال، وابستگی برخی از مراحل جستجوی این الگوریتم به فرآیندهای تصادفی میتواند موجب ایجاد تغییرات نامنظم در مسیر حرکت عاملها، کاهش کنترل تنوع جمعیت و افزایش احتمال همگرایی زودهنگام شود.در این پژوهش، یک نسخه بهبودیافته از الگوریتم پافین قطبی با عنوان الگوریتم پافین قطبی آشوبی ارائه شده است که در آن از نگاشت آشوبی لجستیک بهمنظور بهبود کیفیت تولید مقادیر هدایتکننده جستجو و ارتقای رفتار حرکتی عاملها استفاده میشود. سازوکار پیشنهادی با بهرهگیری از ویژگیهایی نظیر غیرخطی بودن و پوشش مناسب فضای جستجو، تلاش میکند تعادل بهتری میان اکتشاف و بهرهبرداری ایجاد کند.عملکرد الگوریتم پیشنهادی بر روی ۱۲ تابع معیار در ابعاد مختلف ارزیابی شده و با الگوریتم پایه پافین قطبی و چندین الگوریتم فراابتکاری مطرح شامل گرگ خاکستری، بهینهسازی نهنگ، ازدحام سالپها و نسخههای آشوبی آنها مقایسه شده است. نتایج تجربی نشان میدهد که الگوریتم پافین قطبی آشوبی در مقایسه با الگوریتم پایه پافین قطبی موجب بهبود کیفیت پاسخها، افزایش پایداری جستجو و رفتار همگرایی مناسبتر شده و در مقایسه با سایر روشهای مرجع نیز عملکرد رقابتی ارائه میدهد. همچنین نتایج آزمونهای آماری ویلکاکسون و فریدمن نشان داد که تفاوت عملکرد الگوریتم پیشنهادی نسبت به روش پایه الگوریتم پافین قطبی از نظر آماری معنادار است.
[1] Zheng, Y. J. (2015). Water wave optimization: a new nature-inspired metaheuristic. Computers & Operations Research, 55, 1-11.
[2] Mahfoud, S. W. (1995). A comparison of parallel and sequential niching methods. In Conference on genetic algorithms (Vol. 136, p. 143).
[3] Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris hawks optimization: Algorithm and applications. Future generation computer systems, 97, 849-872.
[4] Wang, W. C., Tian, W. C., Xu, D. M., & Zang, H. F. (2024). Arctic puffin optimization: A bio-inspired metaheuristic algorithm for solving engineering design optimization. Advances in Engineering Software, 195, 103694.
[5] Fakhouri, H. N., Alkhalaileh, M. S., Hamad, F., Sirhan, N. N., & Fakhouri, S. N. (2024). Hybrid Arctic Puffin Algorithm for Solving Design Optimization Problems. Algorithms, 17(12), 589.
[6] Sun, L., & Wang, B. (2024). Arctic Puffin Optimization Algorithm Based on Multi-Strategy Blending. Journal of Computer and Communications, 12(12), 151-170.
[7] Xiao, J., Xu, W., & Chen, J. (2024, October). Social media emotional state classification prediction based on Arctic Puffin Algorithm (APO) optimization of Transformer mode. In 2024 International Conference on Electrical, Communication and Computer Engineering (ICECCE) (pp. 1-6). IEEE.
[8] Lv, Y., Zhao, X., & Mou, Z. Parameter Identification and Verification of Doubly Fed Induction Generator Controllers Based on Arctic Puffin Optimization. Available at SSRN 5104987.
[9] Tang, W., Dai, J., Liu, B., Hu, W., Gong, K., & Fan, Y. (2024). Aircraft Range Fuel Consumption Prediction Using CNN-LSTM Enhanced by CEEMDAN and Improved Arctic Puffin Optimization Algorithm.
[10] Firmansyah, R., Widayaka, P. D., Fahrezy, M. R., Saputra, P. P. S., & Septian, D. (2024, October). Voltage Control of DC Microgrid using Arctic Puffin Optimization Algorithm for Tuning of Sliding Mode Control Gain. In 2024 Seventh International Conference on Vocational Education and Electrical Engineering (ICVEE) (pp. 279-282). IEEE.
[11] Chen, L., & Aihara, K. (1995). Chaotic simulated annealing by a neural network model with transient chaos. Neural networks, 8(6), 915-930.
[12] Yuan, X., Yuan, Y., & Zhang, Y. (2002). A hybrid chaotic genetic algorithm for short-term hydro system scheduling. Mathematics and computers in simulation, 59(4), 319-327.
[13] Li-Jiang, Y., & Tian-Lun, C. (2003). Application of chaos in genetic algorithms. Communications in Theoretical Physics, 38(2), 168.
[14] Mingjun, J., & Huanwen, T. (2004). Application of chaos in simulated annealing. Chaos, Solitons & Fractals, 21(4), 933-941.
[15] Liu, B., Wang, L., Jin, Y. H., Tang, F., & Huang, D. X. (2005). Improved particle swarm optimization combined with chaos. Chaos, Solitons & Fractals, 25(5), 1261-1271.
[16] Chuanwen, J., & Bompard, E. (2006). A hybrid method of chaotic particle swarm optimization and linear interior for reactive power optimisation. Mathematics and computers in Simulation, 68(1), 57-65.
[17] Zuo, X. Q., & Fan, Y. S. (2006). A chaos search immune algorithm with its application to neuro-fuzzy controller design. Chaos, Solitons & Fractals, 30(1), 94-109.
[18] Xiang, T., Liao, X., & Wong, K. W. (2007). An improved particle swarm optimization algorithm combined with piecewise linear chaotic map. Applied Mathematics and Computation, 190(2), 1637-1647.
[19] Gong, W., & Wang, S. (2008, December). Chaos ant colony optimization and application. In 2009 fourth international conference on internet computing for science and engineering (pp. 301-303). IEEE.
[20] Alatas, B., Akin, E., & Ozer, A. B. (2009). Chaos embedded particle swarm optimization algorithms. Chaos, Solitons & Fractals, 40(4), 1715-1734.
[21] Alatas, B. (2010). Chaotic harmony search algorithms. Applied mathematics and computation, 216(9), 2687-2699.
[22] Alatas, B. (2010). Chaotic bee colony algorithms for global numerical optimization. Expert systems with applications, 37(8), 5682-5687.
[23] Alatas, B. (2011). Uniform big bang–chaotic big crunch optimization. Communications in Nonlinear Science and Numerical Simulation, 16(9), 3696-3703.
[24] Talatahari, S., Azar, B. F., Sheikholeslami, R., & Gandomi, A. H. (2012). Imperialist competitive algorithm combined with chaos for global optimization. Communications in Nonlinear Science and Numerical Simulation, 17(3), 1312-1319.
[25] Gandomi, A. H., Yang, X. S., Talatahari, S., & Alavi, A. H. (2013). Firefly algorithm with chaos. Communications in Nonlinear Science and Numerical Simulation, 18(1), 89-98.
[26] Gandomi, A. H., & Yang, X. S. (2014). Chaotic bat algorithm. Journal of computational science, 5(2), 224-232.
[27] Askarzadeh, A., & dos Santos Coelho, L. (2014). A backtracking search algorithm combined with Burger's chaotic map for parameter estimation of PEMFC electrochemical model. International journal of hydrogen energy, 39(21), 11165-11174.
[28] Zhu, W., & Duan, H. (2014). Chaotic predator–prey biogeography-based optimization approach for UCAV path planning. Aerospace science and technology, 32(1), 153-161.
[29] Koupaei, J. A., & Hosseini, S. M. M. (2015). A new hybrid algorithm based on chaotic maps for solving systems of nonlinear equations. Chaos, Solitons & Fractals, 81, 233-245.
[30] Bingol, H., & Alatas, B. (2016). Chaotic league championship algorithms. Arabian journal for science and engineering, 41, 5123-5147.
[31] Heidari, A. A., Ali Abbaspour, R., & Rezaee Jordehi, A. (2017). An efficient chaotic water cycle algorithm for optimization tasks. Neural Computing and Applications, 28, 57-85.
[32] Kaur, G., & Arora, S. (2018). Chaotic whale optimization algorithm. Journal of Computational Design and Engineering, 5(3), 275-284.
[33] Zhenxing, Z., Rennong, Y. A. N. G., Huanyu, L. I., Yuhuan, F. A. N. G., Zhenyu, H., & Ying, Z. (2019). Antlion optimizer algorithm based on chaos search and its application. Journal of Systems Engineering and Electronics, 30(2), 352-365.
[34] Bingol, H., & Alatas, B. (2020). Chaos based optics inspired optimization algorithms as global solution search approach. Chaos, Solitons & Fractals, 141, 110434.
[35] Aydilek, I. B., Karaçizmeli, I. H., Tenekeci, M. E., Kaya, S., & Gümüşçü, A. (2021). Using chaos enhanced hybrid firefly particle swarm optimization algorithm for solving continuous optimization problems. Sādhanā, 46(2), 65.
[36] Zhang, X. Y., Zhou, K. Q., Li, P. C., Xiang, Y. H., Zain, A. M., & Sarkheyli-Hägele, A. (2022). An improved chaos sparrow search optimization algorithm using adaptive weight modification and hybrid strategies. Ieee Access, 10, 96159-96179.
[37] Aydemir, S. B. (2023). A novel arithmetic optimization algorithm based on chaotic maps for global optimization. Evolutionary Intelligence, 16(3), 981-996.
[38] Luo, T., Xie, J., Zhang, B., Zhang, Y., Li, C., & Zhou, J. (2024). An improved levy chaotic particle swarm optimization algorithm for energy-efficient cluster routing scheme in industrial wireless sensor networks. Expert Systems with Applications, 241, 122780.
[39] Abdelrazek, M., Abd Elaziz, M., & El-Baz, A. H. (2024). CDMO: Chaotic Dwarf Mongoose optimization algorithm for feature selection. Scientific reports, 14(1), 701.
[40] Abdel-Salam, M., Askr, H., & Hassanien, A. E. (2024). Adaptive chaotic dynamic learning-based gazelle optimization algorithm for feature selection problems. Expert Systems with Applications, 256, 124882.
[41] Chauhan, U., Chhabra, H., Jain, P., Dev, A., Chauhan, N., & Kumar, B. (2024). Chaos inspired invasive weed optimization algorithm for parameter estimation of solar PV models. IFAC Journal of Systems and Control, 27, 100239.
[42] Farzin, S. (2025). A Methodology to Improving the Performance of MOAHA Optimization Algorithm using Chaos Theory; Principle and Application in Optimal Reservoir Operation. Water Resources Management, 1-22.
[43] Qasim, M., Sajid, M., Rajak, R., & Shahid, M. (2025). Task Scheduling Strategy Using Chaotic Whale Optimization Algorithm in Cloud Computing. In Nature-Inspired Optimization Algorithms for Cyber-Physical Systems (pp. 31-52). IGI Global Scientific Publishing.
[44] B. Lotfi, Neghabi, Ali Akbar, "Evaluation, Comparison, and Performance Analysis of the Coati Optimization Algorithm (COA) with Other Metaheuristic Algorithms," Journal of Southern Communication Engineering, vol. 16, no. 61, pp. 159-240, 2026, doi: 10.71656/jce.2026.1198826.
[45] F. Amirghafouri, A. A. Neghabi, H. Shakeri, and Y. E. Sola, "Nature‐inspired meta‐heuristic algorithms for resource allocation in the internet of things," International Journal of Communication Systems, vol. 38, no. 5, p. e6141, 2025.
[46] F. Delbari, A. A. Neghabi, and J. Iziy, "Evaluating and Comparing the Performance of the Alibaba and Forty Thieves Algorithm Compared to Selected Meta-heuristic Algorithms," 2025.
[47] S. Alimohamadi, Fathi, Mohammad, "Providing an Intrusion Detection System in the Industrial Internet of Things Using the Gray Wolf Algorithm," Journal of Information and Communication Technology, vol. 16, no. 61, pp. 218-228, 2024. [Online]. Available: https://rimag.ir/fa/Article/46422.
[48] S. Asadinia, Yaghoubi, Elham, sadeghi, mostafa, "7-PORTNon-blocking Optical Router Design and Efficient Routing Algorithm in 3D Mesh Optical Network on Chip," Journal of Information and Communication Technology, vol. 17, no. 66, pp. -, 2026. [Online]. Available: https://rimag.ir/fa/Article/51065.
