الگوریتم بهینهسازی مار(Snake Optimizer) یکی از الگوریتمهای فراابتکاری است که در سال 2022 در ژورنال معتبر Knowledge-Based Systems از انتشارات sciencedirect چاپ شده است. الگوریتم بهینهسازی مار برمبنای رفتار جفتگیری و تولید مثل مارها ابداع شده است. این الگوریتم با تقلید از رفتارهای مختلف مار یک الگوریتم فراابتکاری جدید و قوی محسوب میشود که با اپراتورهای مختلف قادر به جستجوی محلی و سراسری است که به آن اجازه میدهد تا مسائل مختلف بهینهسازی را با نتایج بهتر حل کند. هدف تحقیق حاضر، معرفی و شناساندن الگوریتم بهینهسازی مار به محققان جهت بهکارگیری در حل مسائل بهینهسازی میباشد. در این تحقیق، الگوریتم بهینهسازی مار روی مسائل مختلف بهینهسازی تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی مار با الگوریتم بهینهسازی شاهین هریس، الگوریتم شعله-پروانه و الگوریتم بهینهسازی نهنگ مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی مار در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
الگوریتم بهینهسازی ماهی چسبنده(Remora optimization algorithm) یکی از الگوریتمهای فراابتکاری است که در سال 2021 در ژورنال معتبر Expert Systems With Applications از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی ماهی چسبنده برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی ماهی چسبنده با الگوریتم بهینهسازی شاهین هریس(Harris Hawks Optimizer) و الگوریتم بهینهسازی شعله-پروانه(Moth-Flame Optimization Algorithm)، الگوریتم بهینهسازی نهنگ(Whale Optimization Algorithm) و الگوریتم گرگ خاکستری(Grey Wolf Optimizer) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی ماهی چسبنده در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
الگوریتم جستجوی دایره(Circle Search Algorithm) یکی از الگوریتمهای فراابتکاری است که در سال 2022 ابداع شده است. این الگوریتم در ژورنال معتبر Mathematics از انتشارات MDPI چاپ شده است. در این تحقیق، الگوریتم جستجوی دایره برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده، الگوریتم جستجوی دایره با الگوریتم بهینهسازی بازی آشوب(Chaos Game Optimization)، الگوریتم بهینهسازی گرگ خاکستری(Grey Wolf Optimizer)، الگوریتم بهینهسازی شاهین هریس(Harris Hawks Optimizer)، الگوریتم اجتماع سالپ(Salp swarm algorithm)، الگوریتم سینوس کسینوس(Sine Cosine Algorithm)، الگوریتم جستجوی گذرا(Transient search algorithm) و الگوریتم بهینهسازی اجتماع ذرات(Particle Swarm Optimization) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم جستجوی دایره در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
در این تحقیق یک مدل ترکیبی آشوبناک برمبنای الگوریتم سینوس کسینوس(SCA) با الگوریتم بهینهسازی شاهین هریس(HHO) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. برای بهبود الگوریتم سینوس کسینوس از الگوریتم بهینهسازی شاهین هریس استفاده شده است. الگوریتم بهینهسازی شاهین هریس قابلیت همگرایی سریع در رسیدن به راه حل بهینه دارد. از سوی دیگر، برای جلوگیری از به دام افتادن در بهینه محلی از نگاشت آشوب به منظور متنوعتر کردن افراد جمعیت در مدل ترکیبی استفاده شده است. آزمایشهای شبیهسازی در محیط متلب 2017 برروی 27 تابع استاندارد CEC 2014 انجام شده است. نتایج شبیهسازی با الگوریتم بهینهسازی شاهین هریس و الگوریتم سینوس کسینوس مقایسه شده است.