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.
در این تحقیق، یک مدل ترکیبی با استفاده از الگوریتم بهینهسازی پروانه(butterfly optimization algorithm) و بهینهسازی اجتماع ذرات (particle swarm optimization) مبتنی بر نگاشت آشوب کیوبیک برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. هدف از ترکیب الگوریتم بهینهسازی اجتماع ذرات(PSO) با الگوریتم بهینهسازی پروانه(BOA) این است که مشکل همگرایی کند الگوریتم بهینهسازی پروانه برای بهینهسازی سراسری بهبود یابد. فایل شبیهسازی این تحقیق فقط برای توابع پیوسته بررسی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 26 تابع استاندارد IEEE CEC انجام شده است. نتایج با الگوریتم بهینهسازی پروانه، الگوریتم بهینهسازی اجتماع ذرات و ترکیب PSOBOA مقایسه شده است.
در این تحقیق یک مدل ترکیبی برمبنای الگوریتم بهینهسازی تعادل(Equilibrium Optimizer) و الگوریتم بهنهسازی کپک مخاطی(Slime Mould Algorithm) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. قابلیت جستجوی الگوریتم کپک مخاطی(SMA) با ترکیب الگوریتم بهینهسازی تعادل افزایش مییابد. استخر تعادل در بهینهسازی تعادل(EO) به کاوش بهترین راه حلها از فضای جستجو کمک میکند. فایل شبیهسازی این تحقیق فقط برای توابع پیوسته بررسی شده است. ارزیابی مدل ترکیبی در این تحقیق برروی 23 تابع استاندارد IEEE CEC 2014 در محیط متلب 2018 انجام شده است. نتایج مدل ترکیبی با الگوریتم بهنهسازی کپک مخاطی مقایسه شده است.
در این تحقیق، یک مدل ترکیبی با استفاده از الگوریتم بهینهسازی آکویلا(Aquila Optimizer) و الگوریتم بهینهسازی کرکس آفریقایی(African Vultures Optimization) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. مرحله اکتشاف(exploration) الگوریتم بهینهسازی آکویلا و مرحله بهرهبرداری(exploitation) از الگوریتم بهینهسازی کرکس آفریقایی ترکیب میشوند تا جستجوی عاملها تقویت شود. لذا کاستیها الگوریتم بهینهسازی کرکس آفریقایی توسط الگوریتم بهینهسازی آکویلا برطرف میشود. سپس، یادگیری مبتنی بر مخالفت برای افزایش تنوع جمعیت و کمک به فرار مدل ترکیبی از بهینه محلی طراحی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد IEEE CEC2019 انجام شده است. نتایج با الگوریتم بهینهسازی آکویلا و الگوریتم بهینهسازی کرکس آفریقایی مقایسه شده است.
در این تحقیق، یک مدل ترکیبی با استفاده از الگوریتم بهینهسازی آکویلا(Aquila Optimizer) و بهینهسازی خرگوش مصنوعی(Artificial Rabbits Optimization) مبتنی بر یادگیری مخالفت آشوبناک برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. مرحله اکتشاف(exploration) سراسری الگوریتم بهینهسازی آکویلا با مرحله بهرهبرداری(exploitation) محلی بهینهسازی خرگوش مصنوعی ترکیب میشود تا قابلیتهای جستجو تقویت شود. برروی مدل ترکیبی، ده مدل مختلف از نگاشت آشوب تست شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد IEEE CEC2019 انجام شده است. نتایج با الگوریتم بهینهسازی آکویلا و الگوریتم بهینهسازی خرگوش مصنوعی مقایسه شده است.