الگوریتم بهینهسازی جستجوی گذرا(Transient search optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2020 در ژورنال معتبر Applied Intelligence از انتشارات اشپرینگر چاپ شده است. این الگوریتم برگرفته از جریان الکتریکی مدارهای برق است. در این تحقیق، الگوریتم بهینهسازی جستجوی گذرا برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی جستجوی گذرا با الگوریتم بهینهسازی اجتماع ذرات(Particle swarm optimization)، الگوریتم جستجوی گرانشی(Gravitational Search Algorithm)، الگوریتم بهینهسازی نهنگ (Whale Optimization Algorithm)، الگوریتم تکامل تفاضلی(Differential Evolution) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی جستجوی گذرا در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
الگوریتم بهینهسازی خرگوش مصنوعی(Artificial rabbits optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2022 در ژورنال معتبر Engineering Applications of Artificial Intelligence از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی خرگوش مصنوعی برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی خرگوش مصنوعی با الگوریتم بهینهسازی اجتماع ذرات(Particle swarm optimization)، الگوریتم جستجوی گرانشی(Gravitational Search Algorithm)، الگوریتم کلونی زنبور مصنوعی (artificial bee colony)، الگوریتم تکامل تفاضلی(Differential Evolution) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی خرگوش مصنوعی در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
الگوریتم بهینهسازی مبتنی بر اکوسیستم مصنوعی(Artificial ecosystem-based optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2020 در ژورنال معتبر Neural Computing and Applications از انتشارات اشپرینگر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی مبتنی بر اکوسیستم مصنوعی برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی مبتنی بر اکوسیستم مصنوعی با الگوریتم بهینهسازی اجتماع ذرات(Particle swarm optimization)، الگوریتم جستجوی گرانشی(Gravitational Search Algorithm)، الگوریتم کلونی زنبور مصنوعی(Artificial bee colony)، الگوریتم تکامل تفاضلی(Differential Evolution) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی مبتنی بر اکوسیستم مصنوعی در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
الگوریتم بهینهسازی غذایابی سفره ماهی(Manta ray foraging optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2020 در ژورنال معتبر Engineering Applications of Artificial Intelligence از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی غذایابی سفره ماهی برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده، الگوریتم بهینهسازی غذایابی سفره ماهی با الگوریتم بهینهسازی اجتماع ذرات(Particle swarm optimization)، الگوریتم جستجوی گرانشی(Gravitational Search Algorithm)، الگوریتم کلونی زنبور مصنوعی(Artificial bee colony)، الگوریتم تکامل تفاضلی(Differential Evolution) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی غذایابی سفره ماهی در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
در این تحقیق، یک مدل ترکیبی با استفاده از الگوریتم جستجوی سنجاب(squirrel search algorithm) و تکامل تفاضلی(Differential Evolution) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. هدف اصلی این تحقیق، اضافه کردن عملگر ادغام الگوریتم تکامل تفاضلی(DE) به الگوریتم جستجوی سنجاب(SSA) برای بهبود قابلیت اکتشاف و اصلاح قانون بهروزرسانی سنجاب در طول جستجو برای بهبود بهرهبرداری است. فایل شبیهسازی این تحقیق فقط برای توابع پیوسته بررسی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد CEC2005 انجام شده است. نتایج نشان داد که مدل ترکیبی از الگوریتم بهینهسازی جستجوی سنجاب بهتر عمل کرده است.