ABSTRAK
Teknik optimasi bio-terinspirasi baru, bernama algoritma Manta Ray Foraging Optimization (MRFO),
diusulkan dan disajikan, bertujuan untuk menyediakan algoritma baru yang menyediakan optimasi
alternatif pendekatan untuk mengatasi masalah rekayasa dunia nyata. Inspirasi dari algoritma ini
didasarkan pada kecerdasan perilaku pari manta. Karya ini meniru tiga strategi unik mencari makan
pari manta, termasuk rantai mencari makan, mencari makan siklon, dan mencari makan jungkir balik,
untuk mengembangkan paradigma optimasi yang efisien untuk pemecahan masalah optimasi yang
berbeda. Kinerja MRFO dievaluasi, melalui perbandingan dengan negara-negara lain. pengoptimal
canggih, pada fungsi pengoptimalan benchmark dan delapan kasus desain rekayasa dunia nyata. NS
hasil perbandingan pada fungsi benchmark menunjukkan bahwa MRFO jauh lebih unggul dari para
pesaingnya. Tambahan,aplikasi rekayasa dunia nyata menunjukkan manfaat dari algoritma ini dalam
mengatasi masalah yang menantang di hal biaya komputasi dan presisi solusi. Kode MATLAB dari
algoritma MRFO tersedia di https://www.mathworks.com/matlabcentral/fileexchange/73130-manta-
ray-foraging-optimization-mrfo .
1) Perkenalan
Banyak masalah pengoptimalan dunia nyata semakin menjadi menantang karena mereka sering
menyangkut sejumlah besar variabel keputusan, kendala nonlinier kompleks dan fungsi tujuan. Optim
global misasi menggunakan pendekatan tradisional seperti metode numerik menjadi kurang kuat
terutama ketika fungsi tujuan atau kendala memiliki beberapa puncak. Algoritme metaheuristik, alat
canggih untuk menangani menantang masalah optimasi, semakin menjadi populer.
Pertama, karakteristik yang paling menonjol dari algoritma metaheuristik rithms adalah kesederhanaan
mereka. Metode metaheuristik ini memiliki dasar teori atau model matematika yang berasal dari alam.
Ini
fitur utama GA adalah tidak memerlukan turunanSelain itu, juga mudah untuk mengembangkan
variannya sesuai dengan yang ada metode. Kedua, teknologi pengoptimalan ini dapat dilihat sebagai
kotak hitam, artinya ia mampu menawarkan satu set keluaran untuk diberikan masalah untuk satu set
input. Selain itu, para ulama dapat dengan mudah dengan mudah memodifikasi struktur dan parameter
metode ini secara berurutan untuk mendapatkan solusi yang memuaskan. Ketiga, keacakan adalah salah
satu yang paling karakteristik penting dari algoritma metaheuristik. Hal ini memungkinkan meta
algoritma heuristik untuk menjelajahi seluruh ruang pencarian dan mencegah mereka dari perangkap ke
dalam optima lokal secara efektif. Lebih khusus lagi, itu membuat banyak metaheuristik berhasil
menyelesaikan masalah dengan yang tidak diketahui ruang pencarian atau beberapa local optima.
Akhirnya, metaheuristik ini adalah sangat fleksibel dan fleksibel, menyiratkan kepraktisan mereka
untuk berbagai berbagai jenis masalah optimasi termasuk masalah non-linier lem, masalah yang tidak
dapat didiferensiasikan, atau masalah numerik kompleks dengan banyak dari minima lokal. Banyak
algoritma metaheuristik telah disajikan dan berhasil diterapkan ke berbagai bidang. Algoritma ini
umumnya dikategorikan menjadi tiga kelas (Hare dkk., 2013 ): evolusi-berdasarkan (Mühlenbein dkk.,
1988), berbasis fisika ( Geem et al., 2001 ), dan berbasis kawanan (Krause dkk. , 2013 ).Algoritma
berbasis evolusi mensimulasikan evolusi alami seperti kemo- taksi, eliminasi dan penyebaran
reproduksi, dan migrasi ( Passino , 2002; De Falco dkk., 2012 ). Algoritma genetika (GA) Belanda
(1975 ), adalah algoritma evolusioner yang terkenal dan banyak digunakantive di ruang pencarian
( Moscato et al. , 2007), dan seterusnya, telah diusulkan. Selain itu, sejumlah novel EA telah disajikan
baru-baru ini, termasuk opsi berbasis biogeografi timisasi (BBO) (Simon, 2009), optimasi mencari
makan bakteri (BFO) ( Passino , 2002 ), algoritma alga buatan (AAA) ( Uymaz et al. , 2015 ),
algoritma kelelawar (BA) (Yang dan Hossein Gandomi , 2012 ), raja monyet evolusioner (MKE)
( Meng dan Pan , 2016 ), et al. (Punnathanam dan Kotecha, 2016; Panci, 2012; Mehrabian dan Lucas ,
2006; Civicioglu, 2013 ).
Algoritma berbasis fisika meniru hukum fisika di alam semesta. simu- anil terlambat (SA) (Kirkpatrick
dkk., 1983) adalah salah satu yang paling teknik fisika yang terkenal. SA dianalogikan dengan
thermody. nama dalam materi fisik. Annealing adalah untuk meminimalkan penggunaan energi,
khususnya dengan cara logam yang dipanaskan mendingin dan mengkristal. Ulang- Saat ini, beberapa
teknik baru yang diilhami fisika dikembangkan,termasuk algoritma pencarian gravitasi (GSA) (Rashedi
dkk. , 2009 ),algoritma mekanisme seperti elektromagnetisme (EM) (Birbil dan Fang, 2003 ), algoritma
tumbukan partikel (PCA) (Sacco dan De Oliveira , 2005 ), algoritma pencarian vortex (VSA) ( Doğan
dan lmez, 2015 ), penguapan air optimasi orasi (WEO) (Kaveh dan Bakhshpoori, 2016), atom
optimisasi pencarian (ASO) ( Zhao et al., 2019a ), big bang–big crunch algoritma (BB-BC) ( Genç et
al., 2010), dkk. ( Syah-Hosseini , 2011; Chuang dan Jiang , 2007 ; Shah-Hosseini , 2009 ; Kaveh dan
Dadras, 2017 ; Kaveh dan Talatahari, 2010; Zheng dkk., 2010 ; Javidy dkk., 2015 ; Mirjalili dan
Hashim, 2012; Zheng , 2015 ; Flores dkk., 2011; Tamura dan Yasuda , 2011 ; Rao dkk. , 2012 ; Zarand
dkk., 2002;Shen dan Li, 2009 ; Kripka dan Kripka , 2008; Patel dan Savsani , 2015;Eskandar dkk.,
2012; Moghaddam dkk. , 2012 ).
Algoritme berbasis gerombolan mensimulasikan perilaku sosial spesies seperti pengorganisasian diri
dan pembagian kerja ( Beni dan Wang , 1993).; Ab Wa-hab dkk. , 2015). Dua contoh yang luar biasa
adalah partikel swarm op- timization (PSO) ( Kennedy dan Eberhart , 1995 ) dan optimasi koloni semut
misasi (ACO) (Dorigo dkk., 1996 ). PSO terinspirasi oleh kawanan burung perilaku memperbarui
setiap agen dalam suatu populasi dengan individu terbaiknya gen dan agen global terbaik. ACO
terinspirasi oleh mencari makan perilaku gerombolan semut, semut mencari rute yang paling efektif
dari sarang mereka ke sumber makanan dengan intensitas feromon yang berkurang seiring waktu.
Contoh lain dari algoritma yang terinspirasi dari swarm termasuk optimasi gerombolan glowworm
(GSO) ( Krihnanand dan Ghose,2009 ), optimasi serigala abu-abu (GWO) ( Mirjalili et al. , 2014 ),
buatan optimasi berbasis ekosistem sosial (AEO) ( Zhao et al., 2019b ), hiu optimasi bau (SSO) (
Abedinia et al., 2014), algoritma kunang-kunang (FA)( Yang , 2010), optimasi berbasis penawaran-
permintaan (SDO) ( Zhao et al., 2019c), optimasi hyena tutul (SHO) ( Gaurav dan Vijay , 2017 ),
dan seterusnya ( Yang dan Deb, 2009 ; Oftadeh dkk. , 2010 ; Kirana, 2015; Muhammad dkk. , 2017;
Cuevas dkk. , 2013; Askarzadeh , 2014; Saremi dkk., 2017; Akay dan Karaboga, 2012a, b; Mirjalili ,
2016 ; Kaveh dan Farhoudi , 2013; Yang , 2010; Mucherino dan Seref , 2007 ; Gandomi dan Alavi ,
2012 ).
Perlu disebutkan bahwa ada meta-heuristik dimotivasi dari perilaku sosial dan ideologi pada manusia.
Beberapa yang paling terkenal termasuk optimalisasi parlemen algoritma (POA) ( Borji, 2007),
optimasi manusia buatan (AHO)( Gajawada , 2016 ), optimasi dinamika opini berkelanjutan (CODO) (
Kaur et al. , 2013 ), algoritma kejuaraan liga (LCA) (Kashan,2009 ), optimalisasi grup sosial (SGO)
(Satapathy dan Naik, 2016 ), algoritma ideologi (IA) ( Huan et al. , 2016 ), dan seterusnya (Kuo dan
Lin, 2013 ; Moosavian dan Roodsari, 2014; Kumar dkk. , 2018; Xu dkk.,2010 ; Ray dan Liew, 2003).
Algoritma berbasis gerombolan memiliki beberapa fitur unik. Beberapa sejarah- informasi ical tentang
gerombolan dipulihkan untuk memberikan dasar bagi setiap agen memperbarui posisi individu dengan
menggunakan aturan interaksi atas iterasi berikutnya. Secara umum, teknik berbasis swarm berbagi dua
perilaku spesifik, eksplorasi dan eksploitasi ( Alba dan Dor -ronsoro, 2005 ; Lynn dan Suganthan,
2015 ). Eksplorasi adalah untuk mencari ruang variabel yang luas untuk solusi yang menjanjikan yang
bukan tetangga ke solusi saat ini, dan pencarian ini harus ekstensif dan acak mungkin. Perilaku ini
optimal lokal. Eksploitasi adalah membatasi pencarian ke wilayah kecil ditemukan dalam proses
eksplorasi untuk menyempurnakan solusi. Pada dasarnya perilaku ini mengimplementasikan pencarian
lokal di ruang yang menjanjikan. Berdasarkan dua perilaku ini, algoritma berbasis swarm memiliki
keunggulan dibandingkan dua jenis algoritma lainnya.
Beberapa mungkin mempertanyakan mengapa algoritme pengoptimalan baru masih ada dikembangkan
meskipun begitu banyak algoritma yang ada. Jawabannya bisa ditemukan dalam Teorema Optimasi
Tanpa Makan Siang Gratis ( Wolpert dan siap saji, 1997 ), yang menjelaskan bahwa tidak ada kinerja
pengoptimaling yang terbaik untuk semua masalah optimasi. Jadi mengembangkan efek-pengoptimal
yang terinspirasi swarm untuk memecahkan masalah spesifik di dunia nyata memotivasi pekerjaan ini.
Makalah ini mengusulkan algoritma metaheuristik baru, bernama mantaray foraging optimization
(MRFO), yang mensimulasikan perilaku mencari makan kebiasaan pari manta. Algoritma ini memiliki
tiga operator pencarian makan,termasuk mencari makan berantai, mencari makan siklon, dan mencari
makan jungkir balik.Kinerja MRFO diuji menggunakan 31 fungsi uji dan 8 mesin masalah nering.
Hasil pengujian menemukan bahwa metode yang diusulkan secara signifikan mengungguli
metaheuristik yang terkenal itu.
Penelitian ini disusun sebagai berikut. Bagian 2 secara rinci memperkenalkan Algoritma MRFO dan
konsep di baliknya. 31 optimasi matematika-masalah tion dan 8 masalah rekayasa dunia nyata
digunakan untuk memeriksa validitas MRFO di Bagian 3 dan 4, masing-masing.
Akhirnya, Bagian 5 memberikan beberapa kesimpulan dan menyarankan penelitian masa depan arah.
1.Optimalisasi Mencari Ikan Pari Manta (MRFO)
Pari manta adalah makhluk mewah meskipun tampak mengerikan.Mereka adalah salah satu makhluk
laut terbesar yang diketahui. Pari manta memiliki tubuh datar dari atas ke bawah dan sepasang sirip
dada, yang dengannya mereka berenang dengan anggun saat burung terbang bebas. Mereka juga
memiliki sepasang cep lobus yang memanjang di depan mulut terminal raksasa mereka. Gambar 1 (A)
disediakan oleh Swanson Chan di Unsplash menggambarkan pari manta yang sedang mencari ma ,dan
Gambar 1(B) menunjukkan struktur ikan pari manta. Tanpa gigi tajam,pari manta memakan plankton
yang sebagian besar terbuat dari hewan mikroskopis dari air. Saat mencari makan, mereka menyalurkan
air dan memangsa ke dalam mulut mereka menggunakan lobus kepala berbentuk tanduk. Kemudian
mangsanya disaring dari air dengan penggaruk insang yang dimodifikasi (Dewar dkk., 2008 ). Pari
manta bisa menjadi dibagi menjadi dua spesies yang berbeda. Salah satunya adalah pari manta karang
(manta alfredi) tinggal di Samudra Hindia dan Pasifik barat dan selatan, yang dapat mencapai lebar 5,5
m. Yang lainnya adalah pari manta raksasa (manta birostris) ditemukan di seluruh lautan beriklim
tropis, subtropis, dan hangat, yang lebarnya bisa mencapai 7 m. Mereka telah ada selama sekitar 5 juta
tahun.
Rentang hidup rata-rata adalah 20 tahun tetapi banyak yang tidak pernah mencapai usia ini karena
mereka diburu oleh nelayan ( Miller dan Klimovich, 2016).Pari manta makan plankton dalam jumlah
besar setiap hari. Seorang dewasa pari manta bisa makan 5 kg plankton setiap hari. Lautan dipercaya
menjadi sumber plankton terkaya. Namun, plankton tidak merata tersebar atau terkonsentrasi secara
teratur di beberapa area tertentu, yaitu: terbentuk oleh pasang surut air laut atau pergantian musim.
Menariknya,pari manta selalu pandai menemukan plankton yang melimpah. Yang paling Hal yang
menarik tentang pari manta adalah perilaku mencari makan mereka, dan mereka dapat bepergian
sendiri atau dalam kelompok hingga 50 tetapi mencari makan sering diamati dalam kelompok.
Makhluk-makhluk ini telah berevolusi berbagai fantastis dan strategi mencari makan yang cerdas.
Strategi mencari makan yang pertama adalah pencarian makan berantai ( Johnna , 2016).). Kapan 50
atau lebih pari manta mulai mencari makan, mereka berbaris, satu di belakang yang lain, membentuk
barisan yang teratur. Pari manta jantan yang lebih kecil digendong yang betina dan berenang di atas
punggung mereka untuk mencocokkan ketukan sirip dada betina. Akibatnya, plankton yang terlewatkan
Bekerja sama satu sama lain dengan cara ini, mereka dapat menyalurkan paling banyak jumlah
Strategi mencari makan terakhir adalah mencari makan jungkir balik ( Rebecca and .). bobby, 2015).
Ini adalah salah satu pemandangan paling indah di alam. Ketika pari manta menemukan sumber
makanan, mereka akan melakukan serangkaian mundur jungkir balik, berputar-putar di sekitar plankton
untuk menariknya ke arah manta sinar. Jungkir balik adalah gerakan acak, sering, lokal dan siklus,yang
membantu pari manta untuk mengoptimalkan asupan makanan.
Meskipun perilaku mencari makan ini jarang terjadi di alam, mereka adalah sangat efektif. Kami secara
matematis memodelkan perilaku mencari makan ini dan mengembangkan algoritma metaheuristik baru
bernama Manta Ray Foraging Optimization (MRFO) untuk melakukan optimasi global.
2. Model matematika
MRFO terinspirasi oleh tiga perilaku mencari makan termasuk rantai for- penuaan, mencari makan
siklon dan mencari makan jungkir balik. Matematika
3. Mencari makan rantai
Dalam MRFO, pari manta dapat mengamati posisi plankton dan berenang ke arah itu. Semakin tinggi
konsentrasi plankton pada suatu posisi,semakin baik posisinya Meskipun solusi terbaik tidak diketahui,
MRFO mengasumsikan solusi terbaik yang ditemukan sejauh ini adalah plankton dengan tinggi
konsentrasi pari manta ingin mendekat dan makan. Garis pari manta kepala-ke-ekor dan membentuk
rantai mencari makan. Individu kecuali yang pertama bergerak menuju tidak hanya makanan tetapi juga
yang di depannya. Itu adalah,di setiap iterasi, setiap individu diperbarui oleh solusi terbaik yang
ditemukan sejauh ini dan solusi di depannya. Model matematika rantai ini mencari makan
direpresentasikan sebagai berikut:
4. Siklon mencari makan
Ketika sekelompok pari manta mengenali sepetak plankton di kedalaman air, mereka akan membentuk
rantai mencari makan yang panjang dan berenang menuju makanan oleh sebuah spiral. Strategi mencari
makan spiral serupa ini dapat ditemukan di WOA(Mirjalili dan Lewis, 2016). Namun, untuk strategi
mencari makan siklon kawanan pari manta, selain bergerak secara spiral menuju makanan, setiap pari
manta berenang ke arah yang ada di depannya. Yaitu ikan pari manta kawanan sejalan
mengembangkan spiral melakukan mencari makan. Gambar 3 mengil asikan perilaku mencari makan
siklon dalam ruang 2-D. Seorang individu tidak hanya mengikuti yang di depannya tetapi hanya
bergerak menuju makanan bersamaalan spiral. Pemodelan persamaan matematis berbentuk spiral
Pergerakan pari manta dalam ruang 2D dapat didefinisikan sebagai:
{
( + 1) = + ( -1 ( ) - ( )) + cos (2 ) ( - ( ))
( + 1) = + ( -1 ( ) - ( )) + sin (2 ) ( - ( ))
di mana w adalah bilangan acak di [0, 1].
Perilaku gerak ini dapat diperluas ke ruang n -D. Untuk sim-plicity, model matematis dari mencari
makan siklon ini dapat didefinisikan sebagai
Dalam MRFO, pari manta dapat mengamati posisi plankton dan berenang ke arah itu. Semakin tinggi
konsentrasi plankton pada suatu posisi,Semua individu secara acak melakukan pencarian sehubungan
dengan makanan sebagai posisi referensi mereka, sehingga siklon mencari makan memiliki yang baik
eksploitasi untuk wilayah dengan solusi terbaik yang ditemukan sejauh ini. Ini perilaku juga digunakan
untuk secara substansial meningkatkan eksplorasi. Kita dapat memaksa setiap individu untuk mencari
posisi baru yang jauh dari arus yang terbaik dengan menetapkan posisi acak baru di seluruh pencarian
ruang sebagai posisi referensi mereka. Mekanisme ini berfokus terutama pada eksplorasi dan
memungkinkan MRFO untuk mencapai pencarian global yang luas,
di mana
adalah posisi acak yang dihasilkan secara acak dalam pencarian ruang, dan merupakan batas bawah dan
atas dari dimensi th, masing-masing
Dalam perilaku ini, posisi makanan dipandang sebagai poros. Setiap individu cenderung berenang ke
sana kemari di sekitar poros dan jungkir balik ke posisi baru. Oleh karena itu, mereka selalu
memperbarui posisi mereka di sekitar posisi terbaik yang ditemukan sejauh ini. Model matematika
dapat dibuat sebagai berikut
(8)
( + 1) = ()+(2 -3 ( )) , = 1 , … ,
di mana S adalah faktor jungkir balik yang menentukan kisaran jungkir balik pari manta dan = 2, 2 dan
3 adalah dua bilangan acak di [0, 1].Seperti yang terlihat dari Persamaan. ( 8 ) , dengan definisi
jangkauan jungkir balik, it adalah mungkin bagi setiap individu untuk pindah ke posisi apa pun dalam
posisi baru domain pencarian yang terletak di antara posisi saat ini dan simetrisnya
posisi di sekitar posisi terbaik yang ditemukan sejauh ini. Sebagai jarak antara posisi individu dan
posisi terbaik yang ditemukan sejauh ini berkurang, gangguan pada posisi saat ini juga berkurang.
Semua individu mendekati solusi optimal dalam ruang pencarian.
Dengan demikian, jangkauan mencari m n jungkir balik secara adaptif berkurang saat iterasi
meningkat. Gambar 4 menun an sketsa mencari makan jungkir balik perilaku di MRFO.
Persamaan. ( 8 ) . Titik sampel terdistribusi secara acak antara posisi saat ini dan posisi simetris mereka
di sekitar, dan titik sampel menjadi jarang karena jarak berkurang.
Titik-titik padat di sekitar dapat berkontribusi secara substansial untuk mengeksploitasi tion dan yang
jarang dapat memberikan kontribusi positif untuk eksplorasi.Mirip dengan pengoptimal metaheuristik
lainnya, MRFO dimulai dengan pembangkitan ing populasi acak dalam domain masalah. Pada setiap
iterasi,setiap individu memperbarui posisinya sehubungan dengan keduanya depan dan posisi referensi.
Nilai t/T menurun dari 1/ T ke 1 untuk masing-masing melakukan eksplorasi dan eksploitatif Cari.
Solusi terbaik saat ini dipilih sebagai posisi referensi untuk eksploitasi ketika t/T < rand , sedangkan
posisi acak secara acak dihasilkan di ruang pencarian dipilih sebagai posisi referensi untuk eksplorasi
ketika t/T > rand . Sementara itu, menurut random nomor, MRFO dapat beralih antara perilaku mencari
makan rantai dan perilaku mencari makan siklon. Kemudian individu memperbarui posisi mereka
sendiri sehubungan dengan posisi terbaik yang ditemukan sejauh ini dengan jungkir balik mencari
makan.
Semua pembaruan dan perhitungan dibuat sebelumnya secara interaktif hingga kriteria berhenti
terpenuhi. Akhirnya, posisi dan nilai fitness dari individu terbaik dikembalikan. Kodesemu dari
algoritma MRFO
d) Dengan nilai rand , MRFO dapat beralih di antara rantai mencari makan dan siklon
mencari makan.
e) Mencari makan jungkir balik memungkinkan individu untuk mencari secara adaptif
dalam rentang pencarian yang berubah.
Kompleksitas waktu MRFO tergantung pada jumlah variabel, jumlah individu, dan maksimum iterasi.
Jumpalitan mencari makan, bersama dengan siklon mencari makan atau mencari makan rantai
dilakukan terbentuk pada setiap iterasi. Oleh karena itu, kompleksitas waktu keseluruhan ini
algoritma diberikan sebagai
Saat memodelkan proses penyerangan serigala, GWO berubah secara adaptif nilai ⃗ di
iterasi yang berbeda untuk mempengaruhi nilai ⃗ . Serigala akan mencari mangsa saat |
⃗ | 1 saat serigala akan menyerang mangsanya saat| ⃗ | < 1.Meskipun beberapa
kesamaan antara MRFO dan yang terinspirasi dari alam ini pengoptimal ada, MRFO
cukup unik dalam banyak aspek. Utama di mana T adalah iterasi maksimum, n adalah
jumlah individu,perbedaan antara MRFO dan pengoptimal ini adalah inspirasi biologi
tion. PSO terinspirasi dari burung yang berbondong-bondong mencari makan di
angkasa. PSO
Perbandingan konseptual MRFO dengan pengoptimal lainnya
Baru-baru ini, banyak algoritma evolusioner berbeda yang terinspirasi oleh alam telah
dikembangkan. Di antara mereka, ada beberapa yang terkenal metaheuristik yang
mensimulasikan perilaku mencari makan dan karakteristik tics hewan termasuk PSO, SSO,
FA, dan GWO.PSO memperbarui kecepatan dan posisi agen sesuai dengan persamaan
berikut
( + 1) = ( ) + 1 1 ( - ( )) + 2 2 ( - ( )) (11)
( + 1) = ( ) + ( + 1) (12)
di mana adalah konstanta inersia, 1 dan 2 masing-masing kognitif dan koefisien sosial, adalah optimal
pribadi dari , dan merupakan global optimal.SSO memperbarui kecepatan dan posisi hiu sesuai dengan
persamaan berikut dimana adalah selang waktu k , adalah kecepatan hiu th pada waktu k , +1 adalah
posisi baru hiu karena gerakan maju,1 dan 2 adalah bilangan acak dalam [0,1], 3 adalah bilangan acak
dalam [−1, 1], berada dalam interval [0,1], M adalah jumlah titik dalam suatu lokal search, adalah laju
momentum, dan np adalah ukuran populasi.
Dalam FA, pergerakan kunang-kunang dinyatakan sebagai
-2
=+0 ( - ) + [ - 1/2] (17)
⃗ ( + 1) = ⃗ ( ) - ⃗ ⃗ (20)
⃗ =2⃗⃗1,⃗=2⃗2 (21)
di mana ⃗ adalah vektor posisi makanan, ⃗ linier menurun dari 2 ke 0 selama iterasi, dan 1 , 2 adalah
vektor acak di [0, 1].Perilaku berburu serigala dapat dinyatakan sebagai untuk memudahkan pencarian
global optimum. Ini membuat PSO tidak punya makna fisik yang kuat ( Bayraktar et al. , 2013 ). SSO
berasal dari bau tajam hiu yang dapat digunakan untuk berburu makanan berdasarkan forward gerakan
dan gerakan rotasi. Inspirasi FA datang dari informasi komunikasi yang berkedip di antara kunang-
kunang, dan gerakan kunang-kunang ditentukan oleh daya tarik antara masing-masing lainnya yang
berkorelasi dengan kecerahannya. GWO terinspirasi oleh perilaku berburu cerdas kawanan serigala
abu-abu, termasuk mengepung mangsa, menyerang mangsa, dan mencari mangsa. mencari makan
strategi didasarkan pada hierarki sosial serigala abu-abu. MRFO adalah terinspirasi oleh berbagai
strategi mencari makan pari manta di laut,termasuk mencari makan siklon, mencari makan berantai,
dan mencari makan jungkir balik yang tidak ada pada makhluk lain. Strategi mencari makan khusus ini
sepenuhnya mencerminkan karakteristik perilaku pencarian yang berbeda dari pari manta, yang dapat
membantu pengoptimal dalam memfasilitasi konvergensi ke optimal global.
Dalam PSO, selain posisi partikel, kecepatannya juga persamaan pembaruan SSA dan nilainya perlu
disesuaikan.
Kami membandingkan metode MRFO dengan enam pengoptimal yang sudah mapan, termasuk GA,
PSO, DE, CS, ABC, dan GSA. Parameter awal pengaturan pengoptimal ini disediakan dalam Tabel 1 .
Untuk semua dipe bangkan algoritma, ukuran populasi dan jumlah maksimum fungsi evaluasi (FE)
dipilih sebagai 30 dan 50.000, masing-masing. Tambahan- sekutu, setiap algoritma melakukan 30
proses untuk setiap fungsi dan hasilnya
Analisis kinerja eksploitasi
Tabel 1
Penurunan koefisien 20
fungsi kuadrat, MRFO masih melakukan yang terbaik dalam hal eksploitasi kemampuan tion dan
konvergensi pada Gambar. 12. Untuk eksploitasi, CS melakukan terburuk untuk fungsi 1 dan 2 , ABC
melakukan yang terburuk untuk fungsi 3 , 4 dan 5 , dan, PSO dan DE melakukan yang terburuk untuk
fungsi 6 dan 7 . PSO memiliki tingkat konvergensi paling lambat untuk fungsi 3 , 4 , dan 5 ,
dan CS konvergen paling lambat untuk fungsi 2 . Hasilnya menunjukkan bahwa MRFO
adalah metode yang paling efisien dalam menangani fungsi unimodal.
Masalah komposit sangat cocok untuk mengevaluasi keseimbangan antara eksplorasi dan
eksploitasi. Grafik batang diperoleh dari MRFO dan algoritma lain pada fungsi komposit
dakurva vergence digambarkan pada Gambar. 17 dan 18 . D mbar 17 , MRFO melakukan yang
terbaik untuk fungsi 24 , 25 , 26 , 28 , dan mengungguli GA dan GSA untuk fungsi 27 . Selain itu,
ini lebih unggul dari GA dan PSO untuk fungsi 30 . Selain itu, MRFO sangat kompetitif
dengan lainnya pengoptimal dalam hal kemampuan konvergensi menurut Gambar. 18 .
Semua algoritma kecuali MRFO terjebak ke dalam optima lokal di yang berbeda level
untuk fungsi 24 , 25 , 26 , 28 , dan 29 . Siklon mencari makan MRFO dapat berkontribusi
pada eksplorasi dan secara efisien menghindari local optima.
Hasilnya menunjukkan bahwa MRFO efektif dalam menyeimbangkan eksplorasi dan pencarian
eksploitatif dan menjamin konvergensi global.
Ukuran kinerja
Untuk sepenuhnya mengevaluasi kinerja optimasi dari al- gorithm, dua ukuran kinerja, termasuk
biaya solusi rata-rata (ASC) dan rasio keberhasilan (SR), digunakan dalam percobaan ini. ASC
mewakili biaya rata-rata dari suatu algoritma ketika menemukan global optimal. SR adalah
probabilitas suatu algoritma yang dapat menemukan global optimal. Kedua ukuran ini didefinisikan
sebagai (Liu dkk., 2005)
=1
= (25)
= × 100% (26)
50
di mana jumlah sukses berjalan selama N berjalan independen dan adalah jumlah evaluasi fungsi dari
th sukses dijalankan.
Dalam algoritma MRFO, jumlah evaluasi fungsi maksimum adalah ditetapkan sebagai 50.000 dan
algoritma dijalankan 50 kali secara independen. jika algoritma mencapai optimal global dalam celah
0,001 seperti yang digunakan dalam Karaboga dan Akay (2009 ), nomor evaluasinya dalam pencarian
ini adalah tercatat.
ASC dan SR dari semua algoritma disediakan pada Tabel 5 saat memecahkan 23 fungsi
benchmark. Dari tabel ini, biaya ABC
Meja 2
Perbandingan statistik WSRT untuk MRFO vs. GA, PSO, dan DE.
14 ( x ) 1.22E−05 0 465 =
15 ( x ) 1.02E−05 18 30 +
16 ( x ) 1.25E−01 0 465 =
17 ( x ) 3.91E−03 0 465 =
18 ( x ) 4.11E−04 2 432 -
19 ( x ) 3.79E−06 0 465 =
24 ( x ) 1.73E−06 0 465 -
25 ( x ) 1.73E−06 0 465 -
26 ( x ) 1.73E−06 0 465 -
27 ( x ) 8.77E−01 240 1 +
28 ( x ) 1.60E−04 49 406 -
29 ( x ) 1.73E−06 0 465 -
31 ( x ) 5.67E−03 367 90 +
Tabel 3
Perbandingan statistik WSRT untuk MRFO vs. CS, GSA, dan ABC.
Fungsi MRF MRF MRF
O vs. O vs. O vs.
CS GSA ABC
nilai- unt T Pem p u T Pem nilai- un T Pe
p uk + enan -nilai nt + ena p tu + me
g u ng k na
k ng
1(x) 1.73E 0 4 - 1.73E 0 46 - 1.73E 0 4 -
−06 6 −06 5 −06 6
5 5
2(x) 1.73E 0 4 - 1.73E 0 46 - 1.73E 0 4 -
−06 6 −06 5 −06 6
5 5
3(x) 1.73E 0 4 - 1.73E 0 46 - 1.73E 0 4 -
−06 6 −06 5 −06 6
5 5
4(x) 1.73E 0 4 - 1.73E 0 46 - 1.73E 0 4 -
−06 6 −06 5 −06 6
5 5
5(x) 1.73 0 46 - 1.73 0 46 - 1.73 0 46 -
E−0 5 E−0 5 E−0 5
6 6 6
6(x) 1 0 46 = 1 0 46 = 1 0 46 =
5 5 5
7(x) 1.73 0 46 - 1.73 0 46 - 1.73 0 46 -
E−0 5 E−0 5 E−0 5
6 6 6
8(x) 0.34 2 18 = 1.73 0 46 - 1.73 0 46 -
9346 7 7 E−0 5 E−0 5
8 6 6
9(x) 1.73 0 46 - 1.72 0 46 - 1.73 0 46 -
E−0 5 E−0 5 E−0 5
6 6 6
10 ( x ) 1.73 0 46 - 1.73 0 46 - 1.73 0 46 -
E−0 5 E−0 5 E−0 5
6 6 6
11 ( x ) 1.73 0 46 - 1.73 0 46 - 1.73 0 46 -
E−0 5 E−0 5 E−0 5
6 6 6
12 ( x ) 1.73 0 46 - 1.72 0 46 - 1.73 0 46 -
E−0 5 E−0 5 E−0 5
6 6 6
13 ( x ) 5.75 4 1 + 8.89 46 1 + 1.73 0 46 -
E−0 5 2 E−0 4 E−0 5
6 3 7 6
14 ( x ) 1 0 46 = 2.56 0 46 - 0 46 -
5 E−0 5 5
1.73E−06
6
15 ( x ) 3.11 3 43 - 1.73 0 46 - 30 43 -
E−0 0 5 E−0 5 5
3.11E−05
5 6
16 ( x ) 1 0 46 = 2.21 0 46 - 0 46 =
5 E−0 5 5
5.00E−01
5
17 ( x ) 1 0 46 = 1 0 46 = 0 46 -
5 5 5
1.73E−06
18 ( x ) 0,00 7 39 - 6.78 0 46 - 0 46 -
7324 1 4 E−0 5 5
1.73E−06
6
19 ( x ) 1 0 46 = 2.21 0 46 - 0 46 -
5 E−0 5 5
5.99E−07
5
20 ( x ) 0,04 3 13 + 0,00 23 23 - 25 20 +
715 2 6 3416 1 4 9 6
8.54E−03
9
21 ( x ) 0,00 4 4 + 0,68 23 22 = 42 45 +
0108 2 5 8262 6 9 0
1.15E−04
0
22 ( x ) 2.43 4 2 + 1.38 43 28 + 43 28 +
E−0 3 8 E−0 7 7
2.58E−05
5 7 5
23 ( x ) 0,00 3 9 + 0,00 31 15 + 37 91 +
3595 7 1 0445 1 4 4
3.61E−03
4
24 ( x ) 1.73 0 46 - 0.11 15 30 = 0 46 -
E−0 5 5608 6 9 5
1.73E−06
6
25 ( x ) 1.73 0 46 - 1.73 0 46 - 0 46 -
E−0 5 E−0 5 5
1.73E−06
6 6
26 ( x ) 1.73 0 46 - 7.52 14 319 = 0 46 -
E−0 5 E−0 6 5
1.73E−06
6 2
27 ( x ) 1.73 40 + 1.89 51 414 - 46 0 +
E−0 6 E−0 5
1.73E−06
6 5 4
28 ( x ) 3.88 6 40 - 1.92 1 464 - 59 40 -
E−0 0 5 E−0 6
3.59E−04
4 6
29 ( x ) 1.73 0 46 - 1.73 0 465 - 0 46 -
E−0 5 E−0 5
1.73E−06
6 6
30 ( x ) 0,07 1 32 = 2.43 34 123 + 30 43 -
1903 4 0 E−0 2 5
3.11E−05
5 2
31 ( x ) 3.61 3 9 + 4.72 32 136 + 36 10 +
E−0 7 1 E−0 9 0 5
8.73E−03
3 4 2
lebih sedikit pada 3 fungsi, biaya PSO lebih sedikit pada 2 fungsi, biaya GA lebih sedikit pada 1 fungsi,
biaya DE lebih sedikit untuk 2 fungsi, biaya CS lebih sedikit untuk 1 fungsi dan Biaya GSA lebih
murah untuk 1 fungsi, sedangkan MRFO lebih murah untuk 11 fungsi. Jelas, MRFO dapat
menghabiskan biaya evaluasi fungsi rata-rata paling rendah nomor ketika menemukan solusi global
dengan akurasi yang diberikan. Untuk SC, MRFO memberikan tingkat keberhasilan tertinggi dengan 100%
pada 15 fungsi; ABC memberikan tingkat keberhasilan tertinggi dengan 100% pada 13 fungsi; PSO
memberikan tingkat keberhasilan tertinggi pada 9 fungsi; GA menyediakan
Tabel 4
tingkat keberhasilan tertinggi dengan 100% pada 7 fungsi; DE memberikan yang tertinggi tingkat
keberhasilan dengan 100% pada 12 fungsi; CS memberikan kesuksesan tertinggi tingkat dengan 100%
pada 12 fungsi; GSA memberikan tingkat keberhasilan tertinggi dengan 100% pada 11 fungsi. Hasil ini
menunjukkan bahwa algoritma MRFO dapat menemukan optimum global dengan probabilitas yang sangat
tinggi untuk sebagian besar fungsi tolok ukur. Terutama, MRFO dapat mencapai yang telah ditentukan
akurasi solusi dengan biaya komputasi yang sangat kecil untuk unimodal fungsi. Oleh karena itu, hasil
statistik dari ukuran kinerja ini kepastian pada fungsi pengujian menunjukkan keefektifan dan keandalan
Singkatnya, hasil di atas menemukan karakteristik yang berbeda dari MRFO dalam menangani berbagai
jenis fungsi benchmark. Di telinga-iterasi sebelumnya, seperti yang ditunjukkan pada Persamaan. ( 7 ) ,
berdasarkan strategi mencari makan siklon pada posisi acak mengharuskan setiap individu untuk
memperbarui posisinya menurut posisi yang dihasilkan secara acak di seluruh ruang pencarian,
Tunduk pada
menikmati eksplorasi yang luas. Ketika iterasi berlalu, bagaimanapun, sebuah in-eksploitasi yang intensif
dan konvergensi yang baik secara bertahap disorot yang tersirat dalam Persamaan. ( 1 ) , strategi mencari
makan rantai ini memaksa individu untuk cepat pindah ke posisi terbaik yang diperoleh sejauh ini. Setiap
dari dua strategi ini dilakukan secara terpisah dan menghabiskan hampir setengahnya dari iterasi.
Sedangkan untuk memperkuat eksplorasi dan eksploitasi sebagai serta konvergensi MRFO di setiap
iterasi, pencarian jungkir balik di mana dan ℎ adalah ketimpangan dan kesetaraan kendala, dilakukan
masing tif, dan merupakan bidang n- dimensi dari bilangan real. Tugas dari MRFO adalah untuk
menemukan yang terbaik solusi yang layak ⃗ = { 1 , ... , } yang meminimalkan fungsi tujuan ( ⃗ ) dengan
kendala.
Dalam penelitian ini, fungsi penalti digunakan untuk mengatasi hal tersebut
kendala dalam MRFO. Nilai penalti yang cukup besar proporsional ke nilai kendala yang dilanggar
ditambahkan ke tujuan
Tabel 6
Tabel 7
Hasil perbandingan pengoptimal dalam literatur. ''NA'' adalah singkatan dari tidak tersedia.
buang oleh algoritma selama proses optimasi. Di dalam cara, masalah yang dibatasi diubah menjadi masalah
yang tidak dibatasi dengan memperkenalkan fungsi penalti. Cara ini sangat efektif dan mudah diterapkan
untuk MRFO tanpa perlu modifikasi dari algoritma.nilai kebugaran fungsi. Dengan demikian, solusi yang
tidak layak akan otomatis
Dalam sub-bagian ini, hasilnya dibandingkan dengan hasil-hasil yang opti- mizers yang digunakan
sebelumnya pada masalah teknik ini, agar adil, semua pengoptimal mengadopsi FE yang sama untuk setiap
masalah teknik dan dilengkapi dengan fungsi penalti yang sama. Kedua, hasilnya juga dibandingkan dengan
pendekatan lain yang banyak digunakan dalam literatur, di mana strategi penanganan kendala yang berbeda
digunakan. NS formulasi optimasi dari masalah teknik ini diberikan dalam Lampiran B .
Desain pegas ketegangan / kompresi
Masalah ini ( Belegundu, 1982 ), digambarkan pada Gambar. 19, membutuhkan meminimalkan berat pegas
tegangan/kompresi dengan tiga kendala. Ada tiga variabel, termasuk diameter kawat ( d ),diameter
kumparan rata-rata ( D ), dan jumlah kumparan aktif ( N ), yang akan dioptimalkan diukur.Kasus ini
diselesaikan menggunakan MRFO dan yang disebutkan di atas dengan 40.000 FE. Hasil dalam hal variabel
keputusan, kendala nilai dan nilai fungsi diringkas dalam Tabel 6., dimana MRFO menawarkan hasil yang
lebih baik daripada pendekatan lainnya. Sementara itu, Tabel 7 daftar perbandingan untuk masalah ini
menggunakan MRFO dan optimasi tersebut pendekatan dalam literatur, seperti GA2 (coello, 2000a, b), GA3
( Coellodan Montes, 2002 ), CA (Coello dan Becerra, 2004 ), PSO2 (Dia danWang, 2007), CPSO ( Dia dan
Wang, 2006), HPSO ( Dia dan Wang, 2007 ), QPSO (Dos Santos Coelho, 2010 ), UPSO (Parsopoulos dan
Vrahatis,2005 ), CDE (Huang dkk. , 2007 ), SSB (Ray dan Liew , 2003 ), dan ( + ) ES (Mezura-Montes dan
Coello , 2005). Pada Tabel 7, keduanya set hasil disediakan menggunakan MRFO untuk 2000 FE dan
50.000FE, masing-masing. Metode MRFO di bawah fungsi maksimum yang telah ditentukan sebelumnya
evaluasi sangat kompetitif. Selain itu, MRFO telah memperoleh hasil terbaik dalam hal solusi rata-rata
menggunakan jumlah FE yang lebih sedikit dibandingkan dengan pesaing lain yang dianggap Fungsi dan
nilai kendala versus FE masing-masing diilustrasikan pada Gambar 20 Masalah ini, diusulkan oleh Kannan
dan Kramer ( 1994).), meme minimalisasi fabrikasi bejana tekan silinde dan memenuhi empat kendala.
Variabel keputusan yang digambarkan pada Gambar. 21 terdiri dari tebal las ( ), panjang batang klem ( ),
tinggibatang ( R ), dan ketebalan batang ( L ).
Desain bejana tekan
Tabel 8 m warkan hasil tujuh algoritma dengan 50.000 FE dalam hal vari keputusan, nilai kendala dan nilai
fungsi.Mengamati tabel, MRFO adalah pendekatan paling efisien kedua saja etelah CS. Masalah ini juga
diselesaikan dengan menggunakan metode mapan lainnya. ods, seperti GA2 ( Coello , 2000a, b ), GA3 ( Coello
dan Montes, 2002),CPSO (Dia dan Wang , 2006 ), HPSO (Dia dan Wang , 2007 ), PSO-DE ( Liu dkk., 2010),
PSO2 ( Dia dan Wang, 2007), CDE ( Huang et al., 2007),QPSO ( Dos Santos Coelho , 2010), ABC ( Akay dan
Karaboga, 2012a, b),
Tabel 8
Tabel 9
Hasil perbandingan pengoptimal dalam literatur.
( + ) ES (Mezura-Montes dan Coello , 2005), dan CSA ( Askarzadeh,2016 ). Tabel 9 meikan dua set hasil,
menggunakan MRFO untuk 8000 FE dan 30.000 FE, m ng-masing. Hasil MRFO jelas lebih baik daripada
PSO2 dan QPSO untuk jumlah FE yang sama. Dengan jumlah FE yang sama atau bahkan lebih sedikit,
MRFO menemukan hasil terbaik dalam hal terburuk, rata-rata, terbaik dan standar deviasi terbaik sejauh ini
solusi. Fungsi dan nilai kendala versus FE diilustrasikan Gambar 22, masing-masing. Meskipun solusi
MRFO diperoleh dalam iterasi awal memenuhi semua kendala, nilai fungsinya masih tetap sangat tinggi.
Dengan beberapa iterasi, solusi
cepat konvergen menuju optimal global.
Desain balok dilas
Masalah desain pegas tegangan/kompresi dijelaskan dalam Coello (2000a ,b ). Biaya fabrikasi balok las
adalah:
diminimalkan tunduk pada tujuh kendala. Ada empat variabel desain untuk dioptimalkan seperti yang
digambarkan pada Gambar. 23.Hasil optimasi dengan 30.000 FE dalam hal keputusan variabel, nilai kendala, dan
nilai fungsi dibandingkan menggunakan tujuh pengoptimal pada Tabel 10. Sekali lagi, hasilnya mengungkapkan
bahwa MRFO secara signifikan mengungguli hasil dari algoritma lain. Hasil dari beberapa pengoptimal
kompetitif seperti GA2 ( Coello , 2000a, b), GA3 ( Coello dan Montes, 2002 ), CPSO (Dia dan Wang , 2006),
HPSO ( Hedan Wang, 2007 ), PSO-DE (Liu dkk., 2010), WOA ( Mirjalili dan Lewis).
Tabel 10
Tabel 11
hasil yang ditemukan oleh MRFO untuk 9900 FE dan 30.000 FE disediakan. NS hasil MRFO jelas lebih baik
daripada WOA untuk hal yang sama jumlah FE. Ini juga menunjukkan bahwa hasil yang ditemukan oleh MRFO
untuk 30.000 FE lebih menonjol daripada yang ditemukan oleh yang lain untuk lebih banyak FE. Fungsi dan
nilai kendala versus FE diilustrasikan
Tabel 13
30.000 FE disediakan. Dari Tabel 13, hasil MRFO untuk 20.000 FE jauh lebih baik daripada MDE untuk 24.000
FE.Selain itu, hasil MRFO untuk 30.000 FE tidak kalah dengan yang lain untuk jumlah FE yang lebih banyak.
Fungsi dan setiap kendala nilai versus FE untuk kasus ini digambarkan pada Gambar. 26 . Seperti yang di
gambar, solusi yang diperoleh pada awal iterasi melanggar tiga kendala yang sangat meningkatkan nilai fungsi.
Setelah 200 FE,solusi yang diperoleh cenderung memenuhi semua kendala, sehingga secara instan menurunkan
nilai fungsi.
Tabel 15
Kasus ini ditangani menggunakan beberapa pengoptimal metaheuristik seperti GA4 ( Rao dan Tiwari , 2007),
TLBO ( Rao et al. , 2011 ), ABC ( Akay)
Tabel 14
T abel 16
Hasil perbandingan tujuh pengoptimal untuk desain rem kopling cakram ganda.
mengungguli ABC dan TLBO dalam hal mean dan best of best- solusi sejauh ini. Selain itu, ini jelas
menawarkan solusi terbaik sejauh ini menggunakan jumlah FE yang lebih sedikit daripada MBA dan GA4.
Fungsi dan masing-m nilai kendala versus FE untuk kasus ini disajikan pada Gambar 28 .
Tabel 17
Hasil perbandingan pengoptimal dalam literatur.
dan Karaboga , 2012a, b), dan MBA ( Sadollah et al., 2013 ). Di sana- hasil dari pendekatan ini dan MRFO untuk
dua jumlah FE yang berbeda dibandingkan pada Tabel 15. Dengan jumlah FE yang sama, MRFO Maksud dari
masalah ini (Osyczka, 2002 ) adalah untuk meminimalkan massa rem kopling cakram ganda. Ada lima keputusan
diskrit
variabel yang perlu dioptimalkan seperti yang digambarkan pada Gambar. 29, termasuk jari-jari dalam ( = 60, 61,
62, ...,80), jari-jari luar ( = 90, 91, 92,..., 110), ketebalan cakram ( = 1, 1.5, 2, 2.5, 3), gaya penggerak( = 600,
610, 620, . . , 1000), dan jumlah permukaan gesekan ( = 2,3, 4, 5, 6, 7, 8, 9).
Untuk masalah ini, Tabel 16 menunj erbandingan tujuh algo- ritma dalam hal variabel keputusan, nilai k ,
dan fungsi nilai untuk 1000 FE. Meskipun MRFO dan ABC memberikan perbedaan solusi optimal, mereka
memiliki nilai fungsi yang sama yang signifikan tidak bisa lebih unggul dari yang lain. Solusi optimal yang
diperoleh menurut MRFO adalah = 70 mm, = 90 mm, = 1 mm, = 933 N, dan = 3.
Perbandingan pengoptimal yang dilaporkan termasuk TLBO dan ABC (Rao dkk., 2011 ) diilustrasikan pada
Tabel 17 . Seperti yang dit an tabel, dengan upaya komputasi yang lebih sedikit, MRFO menawarkan has
knya dalam hal mean, terbaik, dan standar deviasi dari solusi terbaik sejauh ini. Gambar 30 menunjukkan nilai
fungsi dari dua timal dan MRFO versus FE. Menurut Gambar. 30 (A), ting vergensi TLBO lebih
cepat
Tabel 17
Hasil perbandingan pengoptimal dalam literatur.
dari ABC pada iterasi sebelumnya, tetapi dengan peningkatan iterasi, konvergensi kedua algoritma
menjadi hampir sama (Rao dkk.,2011 ). Dari Gambar 30(B), MRFO memperoleh tingkat konvergensi
lebih cepat dari pada dua pengoptimal yang memberikan solusi optimal setelah sekitar 600 FE.
Namun, MRFO dapat menawarkan solusi optimal yang sama hanya dengan menggunakan 500 FE.
Desain musim semi Belleville
Kasus ini ( Coello , 2000a , b ) adalah minimasi bobot saat memenuhi ing sejumlah kendala yang kompleks Ada
empat variabel kepdan tujuh kendala, seperti yang digambarkan pada Gambar. 31 Masalah ini dipecahkan oleh
tujuh pengoptimal untuk 50 , perbandingan dalam hal variabel keputu i kendala dan fungsi nilai ditunjukkan
pada Tabel 18 . Seperti tunjukkan pada tabel, MRFO lagi sangat kompetitif dengan pendekatan lainnya.
Masalah ini juga dipelajari oleh GA5 ( Coello , 2000a , b ), ABC ( Rao dkk., 2011), dan TLBO ( Rao et al. ,
2011 ). Tabel 19 mewakili
Tabel 19
perbandingan pengoptimal yang berbeda untuk solusi yang diperoleh terbaik. Dari Tabel 19, ingkan
dengan GA5, dengan jumlah FE yang sama,solusi terjauh ini diperoleh dengan menggunakan MRFO
dengan = 0 . 2042251,ℎ = 0 . 2000150, = 10 . 0292262, dan = 12 . 0099244. Selain itu,dibandingkan
dengan TLBO dan ABC, MRFO terbukti menawarkan hasil terbaiknya dalam
Tabel 18
Tabel 20
Gbr. 3 ah meminimalkan kehilangan daya bantalan sambil memuaskan tujuh k . Kasus ini memiliki empat
variabel keputusan kontinu untuk dioptimalkan.
Hasil statistik, diberikan oleh tujuh algoritma dalam hal keputusan variabel, nilai kendala dan n gsi untuk
50.000 FE, adalah disajikan pada Tabel 20 unt ini. Seperti yang diamati pada tabel, MRFO adalah sangat
kompetitif dengan pendekatan heuristik lainnya. Masalah ini adalah sebelumnya ditangani oleh IPSO (Dia
dkk. , 2004 ), GASO (coello, 2000a, b),GeneAS ( Deb dan Goyal, 1997 ), dan BGA ( Deb dan Goyal, 1997 )
dengan berbagai tingkat keberhasilan, dan hasil yang ditawarkan oleh mereka tercantum dalam Tabel 21 .ai
perbandingan, masalah ini ditangani menggunakan MRFO dengan 90.000 F 6.000 FE, masing-masing.
Dari Tabel 21 , dibandingkan dengan GASO, MRFO menghasilkan hasil yang lebih baik dengan jumlah yang
sa FE untuk nilai fungsi terbaik 8 = 1626 . 4216806 dengan = 6 . 0278512,= 5 . 4681520, = 5.3662E−06, dan
= 2 . 2755966. Dibandingkan dengan IPSO, MRFO menghasilkan hasil yang lebih baik dengan jumlah FE
yang sama untuk nilai fungsi terbaik 8 = 1792 . 8179135 dengan = 5 . 9562696,= 5 . 38955360, =
6.6246E−06, dan = 3 . 5584835. Jelas,dengan upaya komputasi yang sama, MRFO me n hasil yang lebih
memuaskan hasil daripada rekan-rekannya. Gambar 34 menungsi dan kendala nilai versus FE untuk masalah
desain bantalan do drostatik.Kurva konvergensi dari tujuh algoritma, berdasarkan rata-rata terbaik sejauh
ini dari 20 run, disajikan pada Gambar. 35 untuk mengevalu tingkat konvergensi MRFO untuk masalah
rekayasa terbatas. Sebagai diilustrasikan dalam gambar ini, dalam iterasi sebelumnya, individu dalam MRFO
cenderung untuk secara ekstensif menjelajahi seluruh ruang pencarian untuk memposisikan daerah yang
menjanjikan. Dengan bertambahnya iterasi, daerah dengan optimal dimanfaatkan secara intensif. Perbedaan
yang paling jelas antara
Gambar 35. Perbandingan kurva konvergensi tujuh algoritma untuk delapan masalah teknik, (A)
Desain pegas tarik/kompresi, (B) desain bejana tekan, (C) dilas desain balok, (D) desain peredam
kecepatan, (E) desain bantalan elemen bergulir, (F) desain rem kopling cakram ganda, (G) desain
pegas Belleville, (H) desain bantalan dorong hidrostatik.
MRFO dan pengoptimal lainnya adalah bahwa MRFO menawarkan konvergensi yang lebih cepat tingkat di
seluruh proses optimasi dan memperoleh solusi kompetitif dengan upaya komputasi yang lebih sedikit untuk
sebagian besar teknik
Kesimpulan
meminta operator untuk meniru perburuan pari manta, termasuk rantai mencari makan, mencari makan siklon,
dan mencari makan jungkir balik. Pendekatan ini, dengan beberapa parameter yang dapat disesuaikan, mudah
diterapkan, yang pada gilirannya membuatnya sangat potensial untuk aplikasi di banyak bidang teknik. A
Kuartik
7()=
=1 4 + [0 , 1)
30 [−1.28,1.28] 0
beragam set fungsi benchmark termasuk unimodal, multimodal, fungsi dimensi dan komposisi rendah digunakan
untuk mengkonfirmasi kinerja MRFO dari berbagai aspek. Perbandingan menunjukkan MRFO seringkali lebih
unggul dari pesaing terkenal lainnya.Untuk memverifikasi kemampuannya untuk memecahkan masalah dunia
nyata, studi intensif dilakukan pada delapan masalah rekayasa dunia nyataseperti desain pegas
tegangan/kompresi, desain bejana tekan, dll.
Perbandingan menunjukkan bahwa MRFO lebih efektif daripada pengoptimal yang dikenal. Hasil fungsi
benchmark dan rekayasa masalah juga mengungkapkan MRFO memiliki kemampuan optimasi global yang kuat
tidak hanya pada masalah yang tidak dibatasi tetapi juga pada masalah yang dibatasi. Sangat cocok untuk
menangani masalah dunia nyata yang membutuhkan lebih sedikit biaya komputasi dengan presisi tertentu untuk
solusi akhir. Kebaruan dan kontribusi dari karya ini disorot sebagai berikut.
Algoritma pengoptimalan mencari makan pari manta yang terinspirasi alam ritma dikembangkan dalam karya ini.
Perilaku mencari makan pari manta diselidiki secara menyeluruh dan dirumuskan secara matematis termasuk
setiap karakteristik perilaku mencari makan mereka.
Ada tiga strategi pencarian khusus yang memainkan tiga perbedaan peran yang berbeda dalam algoritma yang
diusulkan. Perilaku mencari makan rantai secara signifikan berkontribusi pada kemampuan pencarian lokal dari
algoritma; perilaku mencari makan pari manta sangat didedikasikan untuk
kemampuan pencarian global dari algoritma; perilaku mencari makan jungkir balik meningkatkan kemampuan
pencarian lokal dan meningkatkan tingkat konvergensi.
Hasil eksperimen pada indikator masalah benchmark kompleks Catat bahwa MRFO sangat efektif dan dapat
diandalkan. Hasil optimasi desain teknik menunjukkan bahwa pengoptimal MRFO dapat memimpin untuk
peningkatan yang menjanjikan pada presisi solusi dengan komputasi yang lebih sedikit biaya dibandingkan
dengan pengoptimal mapan lainnya.
Untuk pekerjaan di masa depan, MRFO biner dapat disajikan untuk menangani masalah diskrit yang kompleks.
MRFO yang diperluas juga dapat disesuaikan untuk mengatasi optimasi multi-tujuan.
Beni, G., Wang, J., 1993. Kecerdasan Swarm dalam Sistem Robot Seluler, Robot dan Sistem
Biologis: Menuju Bionik Baru?. Springer, Berlin, Heidelberg, hal. 703–712.
Beyer, HG, Schwefel, HP, 2002. Strategi evolusi-Pengantar yang komprehensif.
Birbil, .I., Fang, SC, 2003. Mekanisme seperti elektromagnetisme untuk global optimasi. J. Bola.
Optimalkan 25 (3), 263–282.
Borji, A., 2007. Algoritma optimasi global baru yang terinspirasi oleh politik parlementer kompetisi.
Dalam: Gelbukh, A., Kuri Morales, .F. (Eds.), MICAI 2007: Kemajuan dalam Kecerdasan buatan.
MICAI 2007. Dalam: Catatan Kuliah di Ilmu Komputer, vol.
4827, Springer, Berlin, Heidelberg.
Chuang, CL, Jiang, JA, 2007. Optimalisasi radiasi terintegrasi: terinspirasi oleh gravitasi radiasi itasi
dalam kelengkungan ruang-waktu. Dalam: Komputasi Evolusioner, CEC 2007, Kongres IEEE
pada. IEEE, hal. 3157–3164.
Civicioglu, P., 2013. Algoritma optimasi pencarian mundur untuk numerik masalah optimasi.
aplikasi Matematika. Hitung. 219 (15), 8121–8144.
Coello, CAC, 2000a. Memperlakukan kendala sebagai tujuan untuk tujuan tunggal optimasi
evolusioner. Ind. Memilih. A35 32 (3), 275–308.
Coello, CAC, 2000b. Penggunaan pendekatan penalti adaptif diri untuk rekayasa masalah optimasi.
Hitung. Ind. 41 (2), 113–127.
Coello, CAC, Becerra, RL, 2004. Optimalisasi evolusioner yang efisien melalui penggunaan dari
algoritma budaya. Ind. Optimalkan 36, 219–236.
Coello, CAC, Montes, EM, 2002. Penanganan kendala dalam algoritma genetika melalui
penggunaan pemilihan turnamen berbasis dominasi. Adv. Ind. Inf. 16, 193-203.
Cuevas, E., Cienfuegos, M., Zaldívar, D., Pérez-Cisneros, M., 2013. Sebuah swarm optimiza-
algoritma tion terinspirasi dalam perilaku laba-laba sosial. Sistem Pakar. aplikasi 40 (16), 6374–
6384.
De Falco, I., Della Cioppa, A., Maisto, D., Scafuri, U., Tarantino, E., 2012. Biologis
migrasi yang terinspirasi oleh invasi dalam algoritme evolusi terdistribusi. Inf. Sci. 207, 50–65.
metode optimasi metaheuristik baru untuk memecahkan rekayasa terbatas
masalah optimasi. Hitung. Struktur. 110, 151-166.
Flores, JJ, López, R., Barrera, J., 2011. Optimasi interaksi gravitasi. Di dalam:
Gandomi, AH, Alavi, AH, 2012. Krill herd: algoritme pengoptimalan bio-
terinspirasi baru. komuni. Ilmu Nonlinier. Nomor. semu. 17 (12), 4831–4845.
Gaurav, D., Vijay, C., 2017. Pengoptimal hyena berbintik: Sebuah novel berbasis bio-
terinspirasi teknik metaheuristik untuk aplikasi rekayasa. Adv. Ind. lunak 114, 48-
70.
Geem, ZW, Kim, J., Loganathan, GV, 2001. Algoritma optimasi heuristik baru:
pencarian harmoni. Trans. semu. 76 (2), 60–68.
Genç, HM, Eksin, I., Erol, OK, 2010. Algoritma optimasi big bang-big crunch
hibridisasi dengan gerakan terarah lokal dan aplikasi untuk menargetkan anal-
masalah y Dalam: Systems Man and Cybernetics (SMC), 2010 IEEE
International Konferensi pada. IEEE, hal.881–887.
Gene, H., George, HB, 2014. Hiu: Panduan Jawaban Hewan. John Hopkins
Pers Universitas, Baltimore.
Gupta, S., Tiwari, R., Shivashankar, BN, 2017. Optimalisasi desain multi-tujuan dari
bantalan gelinding menggunakan algoritma genetika. mekanisme Mach. Teori 42, 1418–1443.
Hare, W., Nutini, J., Tesfamariam, S., 2013. Survei optimasi non-gradien
metode dalam rekayasa struktur. Adv. Ind. lunak 59, 19–28.
He, S., Prempain, E., Wu, QH, 2004. Pengoptimal kawanan partikel yang
ditingkatkan untuk masalah optimasi desain mekanik. Ind. Memilih. 36 (5), 585–
605.
He, Q., Wang, L., 2006. Pengoptimalan kawanan partikel ko-evolusi yang efektif
untuk masalah optimasi rekayasa. Ind. aplikasi Arti. Intel. 20, 89–99.
He, Q., Wang, L., 2007. Sebuah optimasi swarm partikel hibrida dengan berbasis
kelayakan aturan untuk optimasi terbatas. aplikasi Matematika. Hitung. 186,
1407–1722.
Holland, JH, 1975. Adaptasi dalam Sistem Alami dan Buatan. Universitas
Michigan Press, Ann Arbor, MI, AS.
Huan, TT, Kulkarni, AJ, Kanesan, J., Huang, CJ, Abraham, A., 2016. Ideologi
algoritma: metodologi optimasi yang terinspirasi dari sosial. Komputer Saraf. aplikasi 1-32.
Huang, FZ, Wang, L., He, Q., 2007. Evolusi diferensial co-evolusi yang efektif
untuk optimasi terbatas. aplikasi Matematika. Hitung. 186 (1), 340–356.
Javidy, B., Hatamlou, A., Mirjalili, S., 2015. Algoritma gerak ion untuk
pemecahan masalah optimasi. aplikasi Komputer Lunak. 32, 72-79.
Johnna, R., 2016. Hewan Laut: Siapa Siapa di Deep Blue. Nasional geografis
Washington DC
Juste, KA, Kita, H., Tanaka, E., Hasegawa, J., 1999. Pemrograman evolusioner
solusi untuk masalah komitmen unit. IEEE Trans. Sistem Daya 14 (4), 1452–
1459.
Kannan, BK, Kramer, SN, 1994. Metode berbasis pengali lagrange yang
diperbesar untuk optimasi kontinu diskrit integer campuran dan aplikasinya ke
mekanik
desain. J.Mekanik. Des. 116, 405–411.
Karaboga, D., Akay, B., 2009. Studi perbandingan algoritma koloni lebah
buatan. aplikasi Matematika. Hitung. 214 (1), 108-132.
Kashan, AH, 2009. Algoritma kejuaraan liga: algoritma baru untuk numerik
Kirkpatrick, S., Gelatt, CD, Vecchi, MP, 1983. Optimasi dengan simulasi anil.
Krause, J., Cordeiro, J., Parpinelli, RS, Lopes, HS, 2013. Sebuah survei kawanan
algoritma yang diterapkan untuk masalah optimasi diskrit. Dalam: Swarm Intelligence dan
Komputasi Terinspirasi Bio: Teori dan Aplikasi. Ilmu Elsevier. teknologi. Buku,
hal. 169–191.
Krihnanand, KN, Ghose, D., 2009. Optimalisasi gerombolan Glowworm untuk simultan Menangkap
beberapa optima lokal dari fungsi multimodal. J. Intelijen Segerombolan. 2 (3), 87–124.
Kripka, M., Kripka, RML, 2008. Metode optimasi big crunch. Dalam: Internasional
Kumar, M., Kulkarni, AJ, Satapathy, SC, 2018. Evolusi sosial & optimasi pembelajaran
algoritma tion: Sebuah metodologi optimasi sosial-terinspirasi. Generasi Masa Depan. Hitung.
Sistem 81, 252–272.
Kuo, HC, Lin, CH, 2013. Algoritma evolusi budaya untuk optimasi global dan aplikasinya. J.
Aplikasi Res. teknologi. 11 (4), 510–522.
Liang, JJ, Qu, BY, Suganthan, PN, 2013. Definisi masalah dan kriteria evaluasi
untuk sesi khusus CEC 2014 dan kompetisi pada parameter nyata tujuan tunggal optimasi
numerik. Dalam: Zhengzhou China dan Laporan Teknis. Komputasi Laboratorium Intelijen,
Universitas Zhengzhou, Universitas Teknologi Nanyang, Singapura.
Liu, H., Cai, Z., Wang, Y., 2010. Hibridisasi optimasi kawanan partikel dengan
Liu, B., Wang, L., Jin, YH, Tang, F., Huang, DX, 2005. Peningkatan kawanan partikel
Lynn, N., Suganthan, PN, 2015. Kumpulan partikel pembelajaran komprehensif yang heterogen
optimalisasi dengan peningkatan eksplorasi dan eksploitasi. Kawanan Evol. Hitung. 24, 11–24.
Mehrabian, AR, Lucas, C., 2006. Sebuah algoritma optimasi numerik baru terinspirasi dari
kolonisasi gulma. Ekol. Inf. 1 (4), 355–366.
Meng, Z., Pan, JS, 2016. Evolusi raja monyet: Sebuah algoritma evolusi memetic baru
rithm dan penerapannya dalam optimasi konsumsi bahan bakar kendaraan. Berbasis Pengetahuan
Sistem 97, 144-157.
Mezura-Montes, E., Coello, CAC, 2005. Solusi tidak layak yang berguna dalam rekayasa optimasi
dengan algoritma evolusioner. Dalam: MICAI 2005. Lect. Catatan Arti. Int., Jil. 3789. hlm. 652–
662.
Miller, MH, Klimovich, C., 2016. Laporan Tinjauan Status Spesies Terancam Punah: Raksasa Pari
Manta (Manta birostris) dan Pari Manta Karang (Manta alfredi). Draf Laporan ke Dinas Perikanan
Laut Nasional, Kantor Sumber Daya Lindung, Mata Air Perak, MD.
Mirjalili, S., 2016. SCA: algoritma sinus cosinus untuk memecahkan masalah optimasi.
Mirjalili, SA, Hashim, SZM, 2012. BMOA: algoritma optimasi magnetik biner.
Mohamed, AAA, Mohamed, YS, El-Gaafary, AAM, Hemeida, AM, 2017. Optimal
aliran daya menggunakan algoritma ngengat swarm. listrik. Sistem Daya Res. 142190–142206.
Montes, E., Coello, CAC, Reyes, JV, 2016. Meningkatkan keturunan dan diver-
sity dalam evolusi diferensial untuk desain rekayasa. Dalam: Prosiding Ketujuh Konferensi
Internasional tentang Komputasi Adaptif dalam Desain dan Manufaktur. hal. 131–139, 2006b.
Moosavian, N., Roodsari, BK, 2014. Algoritma kompetisi liga sepak bola: Sebuah novel algoritma
meta-heuristik untuk desain optimal jaringan distribusi air. Kawanan Evolusi Hitung. 17, 14-24.
Moscato, P., Mendes, A., Berretta, R., 2007. Membandingkan algoritma memetika untuk memesan
data microarray. Biosistem 88 (1), 56–75.
Mucherino, A., Seref, O., 2007. Pencarian monyet: pencarian metaheuristik baru untuk global
optimasi. Dalam: Prosiding Konferensi AIP, Vol. 953(1). AIP, hlm. 162-173.
Mühlenbein, H., Gorges-Schleuter, M., Krämer, O., 1988. Algoritma evolusi di optimasi
kombinatorial. komputasi paralel. 7 (1), 65–85.
Ngo, TT, Sadollah, A., Kim, JH, 2016. Pengoptimal kawanan partikel kooperatif
dengan gerakan stokastik untuk optimasi numerik yang mahal secara komputasi masalah. J.
Hitung. Sci. 13, 68–82.
Oftadeh, R., Mahjoob, MJ, Shariatpanahi, M., 2010. Sebuah optimasi meta-heuristik novel algoritma
tion terinspirasi oleh kelompok berburu hewan: Pencarian berburu. Hitung. Matematika. aplikasi
60 (7), 2087–2098.
Osyczka, A., 2002. Algoritma Evolusi untuk Desain Tunggal dan Multikriteria Optimasi: Studi di
Fuzzyness dan Soft Computing. Physica Verlag, Heidelberg.
Pan, WT, 2012. Algoritme pengoptimalan lalat buah baru: mengatasi kesulitan keuangan model
sebagai contoh. Sistem Berbasis Pengetahuan. 266, 9–74.
Saremi, S., Mirjalili, S., Lewis, A., 2017. Algoritma optimasi belalang: Teori
dan aplikasi. Adv. Ind. lunak 105, 30-47.
Satapathy, S., Naik, A., 2016. Optimalisasi kelompok sosial (SGO): populasi baru
teknik optimasi evolusioner. Intel yang kompleks. Sistem 2 (3), 173–203.
Shah-Hosseini, H., 2009. Algoritme tetesan air cerdas: terinspirasi oleh alam
algoritma optimasi berbasis swarm. Int. J. Komputer Terinspirasi Bio. 1 (1–2), 71–79.
Shah-Hosseini, H., 2011. Analisis komponen utama dengan pencarian berbasis
galaksi algoritma: metaheuristik baru untuk optimasi berkelanjutan. Int. J.
Hitung. Sci. Ind. 6 (1–2), 132–140.
Shen, J., Li, Y., 2009. Optimalisasi sinar cahaya dan analisis parameternya. Dalam: Compu-
Simon, D., 2009. Optimasi berbasis biogeografi. IEEE Trans. Evolusi Hitung. 12
(6), 702–713.
Tamura, K., Yasuda, K., 2011. Studi utama optimasi terinspirasi dinamika spiral.
estimasi koefisien dalam air tanah. Generasi Masa Depan. Hitung. Sistem 91, 601–610.
Zhao, W., Wang, L., Zhang, Z., 2019b. Komputer Saraf. aplikasi http://dx.doi.org/10.
1007/s00521-019-04452-x .
Zhao, W., Wang, L., Zhang, Z., 2019c. Optimalisasi berbasis penawaran–permintaan:
sebuah novel algoritma yang terinspirasi ekonomi untuk optimasi global. Akses IEEE
7, 73182–73206
Zheng, YJ, 2015. Optimalisasi gelombang air: metaheuristik baru yang terinspirasi oleh alam.