در این تحقیق یک مدل بهبودیافته از الگوریتم کپک مخاطی(slime mould algorithm) با استفاده از یادگیری مبتنی بر مخالفت(opposition-based learning) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. استفاده از یادگیری مبتنی بر مخالفت(OBL) تلاشی برای تقویت مرحله اکتشاف در الگوریتم کپک مخاطی(SMA) است. فایل شبیهسازی این تحقیق فقط برای توابع پیوسته بررسی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد IEEE CEC 2014 انجام شده است. نتایج نشان داد که مدل بهبودیافته در مقایسه با الگوریتم کپک مخاطی و بهینهسازی اجتماع ذرات بهتر عمل کرده است.
در این تحقیق، یک مدل بهبودیافته از الگوریتم بهینهسازی کرکس آفریقایی(African vulture optimization algorithm) توسط یادگیری مبتنی بر مخالفت(Opposition-based Learning) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. هدف از این تحقیق نحوه ترکیب الگوریتمها برای حل مسائل مختلف است. استفاده از یادگیری مبتنی بر مخالفت(OBL) تلاشی برای تقویت مرحله اکتشاف در الگوریتم بهینهسازی کرکس آفریقایی(AVOA) است. فایل شبیهسازی این تحقیق فقط برای توابع پیوسته بررسی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد IEEE CEC انجام شده است. نتایج با الگوریتم بهینهسازی کرکس آفریقایی و الگوریتم بهینهسازی اجتماع ذرات(PSO) مقایسه شده 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.
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.