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.
راهنمای استفاده
فایل با فرمت rar بارگذاری شده است که برای باز کردن به نرم‌افزار winrar نیاز دارید.
محتوای فایل دانلودی
فایل شبیه‌سازی شده با متلب 2018 به بالا
مقاله اصلی به زبان انگلیسی(2022)
شبه کد مدل داخل مقاله اصلی
فلوچارت مدل داخل مقاله اصلی
فیلم اجرای کدها