ترکیب الگوریتم بهینهسازی مِیفلای با الگوریتم بهینهسازی عقاب برای حل مسائل مهندسی
الگوریتم بهینهسازی مِیفلای (Mayfly Optimization Algorithm یا MOA) یک الگوریتم فراابتکاری محسوب میشود. الگوریتم MOA به دلیل برخورداری از ساختار الگوریتمی و روشهای بهینهسازی کارآمد، نقش چشمگیری در حل مسائل بهینهسازی ایفا میکند. با این حال، این الگوریتم همچنان با کاستیهایی از جمله سرعت همگرایی پایین و ضعف در بهینهسازی محلی روبهرو است. در این مقاله، یک الگوریتم فراابتکاری جدید برای حل مسائل بهینهسازی سراسریِ پیوسته و مقید ارائه شده است. مدل ترکیبی با ترکیب الگوریتم MOA، الگوریتم بهینهسازی عقاب (Aquila Optimizer یا AO) و راهبرد یادگیری مبتنی بر تقابل (Opposition-Based Learning یا OBL) توسعه یافته است. مدل جدید با نام «AOBLMOA» تعریف شده است. هدف از این ترکیب، رفع محدودیتهای موجود در MOA است. الگوریتم AO در فرایند جابهجایی موقعیت مگسهای نر در MOA ادغام شده است. ارزیابی مدل ترکیبی روی 23 تابع پیوسته اجرا شده است. در شبیهسازی پیوست شده، مدل AOBLMOA با الگوریتم بهینهسازی ازدحام ذرات، الگوریتم بهینهسازی گرگ خاکستری و الگوریتم بهینهسازی شعله-پروانه مقایسه شده است. نتایج این شبیهسازی نشان میدهد که مدل AOBLMOA در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.