THUẬT TOÁN TỐI ƯU HÓA KẾT HỢP: KẾT HỢP TỐI ƯU HÓA SÓI XÁM VỚI THUẬT TOÁN TÌM KIẾM CHIM HỒNG HẠC
DOI:
https://doi.org/10.62985/j.huit_ojs.vol26.no1E.354Từ khóa:
Thuật toán tối ưu, thuật toán metaheuristic, tối ưu hóa sói xám, tối ưu hóa chim hồng hạc, tối ưu hóa kết hợp.Tóm tắt
Bài báo này trình bày một phương pháp tối ưu mới bằng cách kết hợp hai thuật toán metaheuristics mạnh mẽ: Thuật toán Tìm kiếm Flamingo (FSA) và thuật toán Tối ưu hóa Sói xám (GWO). FSA lấy cảm hứng từ hành vi di cư và tìm kiếm thức ăn của chim hồng hạc, trong khi GWO mô phỏng cơ chế săn bắt của sói xám. Thuật toán kết hợp này (được gọi là FGWO), tận dụng sức mạnh của cả FSA và GWO để cải thiện tốc độ hội tụ và khả năng tìm kiếm toàn cục của chúng. FGWO sử dụng GWO để tìm kiếm các giải pháp toàn cục sau đó áp dụng FSA cải thiện chất lượng giải pháp. Hiệu suất của FGWO được đánh giá trên một số hàm thử nghiệm và so sánh với các thuật toán tiên tiến khác. Kết quả thử nghiệm cho thấy FGWO vượt trội hơn các thuật toán khác về chất lượng giải pháp, độ ổn định và hiệu quả. Thuật toán kết hợp mới này góp phần vào sự phát triển của các phương pháp tối ưu hóa, cung cấp một góc nhìn mới về cách các thuật toán metaheuristics khác nhau có thể kết hợp để đạt được hiệu suất tốt hơn.
Tài liệu tham khảo
[1] I. Boussaïd, J. Lepagnot, and P. Siarry, “A survey on optimization metaheuristics,” Information Sciences, vol. 237, pp. 82–117, 2013, doi: https://doi.org/10.1016/j.ins.2013.02.041.
[2] D. E. Goldberg, Genetic algorithms in search, optimization and machine learning. Addison-Wesley Longman Publishing Co., Inc., 1989.
[3] C. A. Coello Coello, G. B. Lamont, and D. A. Van Veldhuizen, Evolutionary Algorithms for Solving Multi-Objective Problems, 2nd ed. New York: Springer, 2007. doi: https://doi.org/10.1007/978-0-387-36797-2.
[4] J. R. Koza, M. A. Keane, J. Yu, et al., “Automatic creation of human-competitive programs and controllers by means of genetic programming,” Genetic Programming and Evolvable Machines, vol. 1, pp. 121–164, 2000, doi: https://doi.org/10.1023/A:1010076532029.
[5] K. O. Stanley and R. Miikkulainen, “Evolving neural networks through augmenting topologies,” Evolutionary Computation, vol. 10, no. 2, pp. 99–127, 2002, doi: https://doi.org/10.1162/106365602320169811.
[6] R. Storn and K. Price, “Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces,” Journal of Global Optimization, vol. 11, no. 4, pp. 341–359, 1997.
[7] S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey wolf optimizer,” Advances in Engineering Software, vol. 69, pp. 46–61, 2014, doi: https://doi.org/10.1016/j.advengsoft.2013.12.007.
[8] X. Yu, W. Y. Xu, and C. L. Li, “Opposition-based learning grey wolf optimizer for global optimization,” Knowledge-Based Systems, vol. 226, pp. 107–139, 2021, doi: https://doi.org/10.1016/j.knosys.2021.107139.
[9] W. Zhiheng and L. Jianhua, “Flamingo search algorithm: A new swarm intelligence optimization algorithm,” IEEE Access, vol. 9, pp. 88564–88582, 2021, doi: https://doi.org/10.1109/ACCESS.2021.3090512.
[10] C. Wang, L. Wang, and X. R. Xuejing, “General particle swarm optimization algorithm,” in Proc. 2023 IEEE 2nd Int. Conf. Electrical Engineering, Big Data and Algorithms (EEBDA), Changchun, China, 2023, pp. 1204–1208, doi: https://doi.org/10.1109/EEBDA56825.2023.10090725.
[11] S. Saremi, S. Mirjalili, and A. Lewis, “Grasshopper optimisation algorithm: Theory and application,” Advances in Engineering Software, vol. 105, pp. 30–47, 2017, doi: https://doi.org/10.1016/j.advengsoft.2017.01.004.
[12] M. Bahrami, O. Bozorg-Haddad, and X. Chu, “Moth-flame optimization (MFO) algorithm,” in Advanced Optimization by Nature-Inspired Algorithms, O. Bozorg-Haddad, Ed. Singapore: Springer, 2018.)
[13] Q. Fan, H. Huang, Q. Chen, et al., “A modified self-adaptive marine predators algorithm: Framework and engineering applications,” Engineering with Computers, vol. 38, pp. 3269–3294, 2022, doi: https://doi.org/10.1007/s00366-021-01319-5.
[14] Z. M. Elgamal, N. B. M. Yasin, M. Tubishat, M. Alswaitti, and S. Mirjalili, “An improved Harris hawks optimization algorithm with simulated annealing for feature selection in the medical field,” IEEE Access, vol. 8, pp. 186638–186652, 2020, doi: https://doi.org/10.1109/ACCESS.2020.3029728.
[15] S. Mirjalili, A. H. Gandomi, S. Z. Mirjalili, S. Saremi, H. Faris, and S. M. Mirjalili, “Salp swarm algorithm: A bio-inspired optimizer for engineering design problems,” Advances in Engineering Software, vol. 114, pp. 163–191, 2017, doi: https://doi.org/10.1016/j.advengsoft.2017.07.002.
