Cuckoo Optimization Algorithm

ABSTRACT

In this paper a novel evolutionary algorithm, suitable for continuous nonlinear optimization problems, is  introduced. This optimization algorithm is inspired by the life of a bird family, called Cuckoo. Special lifestyle of these birds and their characteristics in egg laying and breeding has been the basic motivation for  development of this new evolutionary optimization algorithm. Similar to other evolutionary methods, Cuckoo Optimization Algorithm (COA) starts with an initial population. The cuckoo population, in different societies, is  in two types: mature cuckoos and eggs. The effort to survive among cuckoos constitutes the basis of Cuckoo Optimization Algorithm. During the survival competition some of the cuckoos or their eggs, demise. The survived cuckoo societies immigrate to a better environment and start reproducing and laying eggs. Cuckoos’ survival effort hopefully converges to a state that there is only one cuckoo society, all with the same profit values. Application of the proposed algorithm to some benchmark functions and a real problem has proven its capability to deal with difficult optimization problems.

INTRODUCTION

Optimization is the process of making something better. In other words, optimization is the process of  adjusting the inputs to or characteristics of a device, mathematical process, or experiment to find the minimum or maximum output or result. The input consists of variables: the process or function is known as the cost function, objective function, or fitness function; and the output is the cost or fitness . There are different methods for solving an optimization problem. Some of these methods are inspired from natural processes. These methods usually start with an initial set of variables and then evolve to obtain the global  minimum or maximum of the objective function. Genetic Algorithm (GA) has been the most popular  technique in evolutionary computation research. Genetic Algorithm uses operators inspired by natural genetic variation and natural selection . Another example is Particle Swarm Optimization (PSO) which was developed by Eberhart and Kennedy in 1995. This stochastic optimization algorithm is inspired by social behavior of bird flocking or fish schooling . Ant Colony Optimization (ACO) is another evolutionary optimization algorithm which is inspired by the pheromone trail laying behavior of real ant colonies. 

چکیده

در این مقاله، یک الگوریتم جدید تکاملی، مناسب برای مسائل بهینه سازی مداوم غیر خطی معرفی شده است. این الگوریتم بهینه سازی توسط زندگی یک خانواده پرنده به نام Cuckoo الهام گرفته شده است. شیوه زندگی ویژه این پرندگان و ویژگی های آنها در تخمگذاری و پرورش تخم مرغ، انگیزه اصلی توسعه این الگوریتم جدید بهینه سازی تکاملی است. الگوریتم بهینه سازی کوکو (COA) همانند سایر روش های تکاملی، با جمعیت اولیه شروع می شود. جمعیت کوسه ها در جوامع مختلف به دو نوع تقسیم می شوند: جوندگان بالغ و تخم مرغ. تلاش برای زنده ماندن در بین کوسه ها اساس الگوریتم بهینه سازی کوسه است. در طول رقابت بقای برخی از کوسه ها یا تخم مرغ های آنها، از بین بردن. جوامع زنده ماندگی جوجه ها به یک محیط بهتر مهاجرت می کنند و شروع به تولید و تخمگذاری تخم مرغ می کنند. امیدوارم که تلاش برای زنده ماندن باکوکوس ها به یک دولت متصل شود که تنها یک جامعه کوکنار وجود دارد که همه با ارزش های سود یکسان است. استفاده از الگوریتم پیشنهاد شده به برخی از توابع معیار و یک مشکل واقعی توانایی خود را برای مقابله با مشکلات بهینه سازی ثابت نشان داده است.

مقدمه

بهینه سازی فرآیند ایجاد چیزی بهتر است. به عبارت دیگر، بهینه سازی فرایند تنظیم ورودی ها یا ویژگی های یک دستگاه، فرآیند ریاضی یا آزمایش برای یافتن حداقل یا حداکثر خروجی یا نتیجه است. ورودی شامل متغیرها می شود: فرایند یا تابع به عنوان تابع هزینه، تابع هدف یا عملکرد تناسب شناخته شده شناخته می شود. و خروجی هزینه یا تناسب اندام است. روش های مختلفی برای حل یک مشکل بهینه سازی وجود دارد. برخی از این روش ها از فرآیندهای طبیعی الهام گرفته شده اند. این روش ها معمولا با یک مجموعه اولیه از متغیرها شروع می شوند و سپس تکامل می یابند تا حداقل یا حداکثر تابع هدف را بدست آورند. الگوریتم ژنتیک (GA) رایجترین روش در تحقیق محاسبات تکاملی بوده است. الگوریتم ژنتیک از اپراتورهای الهام گرفته از تنوع ژنتیکی طبیعی و انتخاب طبیعی استفاده می کند. مثال دیگری بهینه سازی ذرات ذرات (PSO) است که توسط Eberhart و کندی در سال 1995 توسعه داده شده است. این الگوریتم بهینه سازی تصادفی با الهام از رفتار اجتماعی پرنده های پرنده یا ماهیگیری است. بهینه سازی مورچه Colony (ACO) یکی دیگر از الگوریتم های بهینه سازی تکاملی است که توسط الگوریتم رفتار تخم گذاری فرومون از کلون های مورچه واقعی الهام گرفته شده است.

Year: 2011

Publisher : ELSEVIER

By : Ramin Rajabioun

File Information: English Language/ 11 Page / size: 2.46 KB

Download

سال : 1390

ناشر : ELSEVIER

کاری از : رامین رجبیان

اطلاعات فایل : زبان انگلیسی / 11 صفحه / حجم : KB 2.46

لینک دانلود