سیستم های فازی و کاربردها

سیستم های فازی و کاربردها

بررسی روش‌های فازی و غیرفازی مبتنی بر الگوریتم بهینه‌سازی نهنگ و کاربردهای آن‌ها

نوع مقاله : مروری

نویسندگان
بخش علوم کامپیوتر، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان،کرمان، ایران
10.22034/jfsa.2024.467966.1234
چکیده
در این مقاله، الگوریتم بهینه‌سازی نهنگ و تعدادی از الگوریتم‌های تعمیم یافته روی آن مورد بررسی قرار گرفته است. الگوریتم بهینه‌سازی نهنگ به‌عنوان یک روش فراابتکاری جدید، جایگاه برجسته‌ای در حل مسائل پیچیده بهینه‌سازی به دست آورده است. این الگوریتم که از رفتار اجتماعی نهنگ‌ها در طبیعت الهام گرفته شده، به دلیل توانایی‌های قابل توجه در یافتن بهینه‌های سراسری و محلی، مورد توجه قرار گرفته است. با این حال، الگوریتم بهینه‌سازی نهنگ با چالش‌هایی روبروست؛ نظیر نرخ همگرایی کند که می‌تواند منجر به افزایش زمان محاسباتی در حل مسائل شود، و همچنین پایبندی به برخی از راه‌حل‌های محلی، که این پایبندی به انتخاب تصادفی عوامل جستجو در مرحله اکتشاف برمی‌گردد. این محدودیت‌ها باعث شده است که پژوهشگران به توسعه و بهبود این الگوریتم با استفاده از ترکیب آن با روش‌ها و الگوریتم‌های مختلف بپردازند. در سال‌های اخیر، ترکیب الگوریتم بهینه‌سازی نهنگ با روش‌های فازی و غیرفازی موجب بهبود قابل‌توجهی در عملکرد آن، به‌ویژه در مسائلی مانند انتخاب ویژگی، خوشه‌بندی داده‌ها، و مسائل پیچیده مهندسی شده است. این ترکیب‌ها توانسته‌اند ضمن حفظ مزایای ذاتی الگوریتم بهینه‌سازی نهنگ، نقاط ضعف آن را کاهش داده و کارایی و دقت بیشتری در حل مسائل مختلف ارائه دهند. این مقاله به بررسی چندین نسخه بهبودیافته از الگوریتم بهینه‌سازی نهنگ می‌پردازد که با استفاده از راهکار‌های مختلف توسعه یافته‌اند. این الگوریتم‌ها از جنبه‌های متعددی نظیر نرخ همگرایی، دقت، پیچیدگی، میانگین مقدار شایستگی، اجتناب از گیرافتادن در بهینه‌های محلی و کاربرد در مسائل عملی با یکدیگر مقایسه شده‌اند. علاوه بر این، نقاط قوت و ضعف هر یک از این نسخه‌ها تحلیل شده و کاربردهای آن‌ها در زمینه‌های مختلف علمی و صنعتی بررسی شده است. نتایج این پژوهش می‌تواند به‌عنوان یک مرجع جامع برای محققان و مهندسانی که در پی به‌کارگیری یا توسعه الگوریتم‌های بهینه‌سازی پیشرفته هستند، مورد استفاده قرار گیرد. همچنین، این مقاله به درک عمیق‌تر عملکرد الگوریتم بهینه‌سازی نهنگ و روش‌های بهبود آن کمک می‌کند و می‌توان از آن به‌عنوان پایه‌ای برای تحقیقات آتی در این حوزه استفاده کرد.
کلیدواژه‌ها
موضوعات

[ 1[ اﺳﻼﻣﯽ، ا. )١٩٣١( ﻣﻨﻄﻖ ﻓﺎزی و ﮐﺎرﺑﺮدﻫﺎی آن، اﻧﺘﺸﺎرات داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﺑﺎﻫﻨﺮ ﮐﺮﻣﺎن.

 

[2]  Agrawal, R.K., Kaur, B. and Sharma, S. (2020), Quantum based Whale Optimization Algorithm for wrapper feature selection, Applied Soft Computing Journal, 89, 106092.
[3]  Al Ogaili, R.R.N., Alomari, E.S., Alkorani, M.B.M. and et al. (2023), Malware cyberattacks detection using a novel feature selection method based on a modified whale optimization algorithm, Wireless Networks.
[4]  Artuğer, F. (2023), A new S-box generator algorithm based on 3D chaotic maps and whale optimiza- tion algorithm, Wireless Personal Communications, 131, 835–853.
[5]  Bai, L., Han, Z., Ren, J. and Qin, X. (2020), Research on feature selection for rotating machinery based on Supervision Kernel Entropy Component Analysis with Whale Optimization Algorithm, Applied Soft Computing, 92, 106245.
[6]  Bezdek, J.C. (1981), Objective function clustering. In: Pattern recognition with fuzzy objective function algorithms. Advanced Applications in Pattern Recognition, Springer, Boston, 43–93.
[7]  Dunn, J.C. (1973), A fuzzy relative of the ISODATA process and its use in detecting compact well- separated clusters. Journal of Cybernetics, 3, 32–57.
[8]  Fan, Z. and Gou, J. (2023), Predicting body fat using a novel fuzzy-weighted approach optimized by the whale optimization algorithm, Expert Systems with Applications, 217, 119558.
[9]  Hambali, M.A., Oladele, T.O. and Adewole, K.S. (2020), Microarray cancer feature selection: Review, challenges and research directions, International Journal of Cognitive Computing in Engineer- ing, 1, 78-97.
[10] Hussien, A.G., Hassanien, A.E., Houssein, E.H., Bhattacharyya, S. and Amin, M. (2019), S-shaped Binary Whale Optimization Algorithm for Feature Selection. In: S. Bhattacharyya, A. Mukherjee,
H. Bhaumik, S. Das and K. Yoshida, (eds) Recent Trends in Signal and Image Processing. Advances in Intelligent Systems and Computing, Springer, Singapore, 727.
[11] Jadhav, P.S. and Borkar, G.M. (2024), Optimal key generation for privacy preservation in big data applications based on the marine predator whale optimization algorithm, Annals of Data Science.
[12] Jadoun, V.K., Prashanth, G.R., Joshi, S.S., Narayanan, K., Malik, H. and Márquez, F.P.G. (2022), Optimal fuzzy based economic emission dispatch of combined heat and power units using dynami- cally controlled Whale Optimization Algorithm, Applied Energy, 315, 119033.
[13] Jyothi, K.K., Borra, S.R., Srilakshmi, K. and et al. (2024), A novel optimized neural network model for cyber attack detection using enhanced whale optimization algorithm, Scientific Reports, 14, 5590.
[14] Jawed, M.S. and Sajid, M. (2024), Enhancing the cryptographic key using sample entropy and whale optimization algorithm, International Journal of Information Technology, 16, 1733–1741.
[15] Liu, W. and Wang, J. (2019), A Brief Survey on Nature-Inspired Metaheuristics for Feature Selection in Classification in this Decade, In Proceedings of the 2019 IEEE 16th International Conference on Networking, Sensing and Control (ICNSC), Banff, AB, Canada, 424-429.
[16] Liu, Z., Wang, J., Gao, Z. and et al. (2023), Privacy-preserving edge computing offloading scheme based on whale optimization algorithm, The Journal of Supercomputing, 79, 3005–3023.
[17] Mafarja, M.M. and Mirjalili, S. (2017), Whale Optimization Approaches for Wrapper Feature Se- lection, Applied Soft Computing Journal, 62, 441-453.
[18] Majhi, S.K. (2021), Fuzzy clustering algorithm based on modified whale optimization algorithm for automobile insurance fraud detection. Evolutionary Intelligence, 14, 35–46.
[19] Mirjalili, S. and Lewis, A. (2016), The Whale Optimization Algorithm, Advances in Engineering Software, 95, 51-67.
[20] Sayed, G.I., Darwish, A. and Hassanien, A.E. (2018), A New Chaotic Whale Optimization Algo- rithm for Features Selection, Journal of Classification, 35, 300–344.
[21] Sharmila, S. and Vijayarani, S. (2021), Association rule mining using fuzzy logic and whale opti- mization algorithm. Soft Computing, 25, 1431–1446.
[22] Sun, L., Wang, X., Ding, W., Xu, J. and Meng, H. (2023), TSFNFS: two-stage-fuzzy-neighborhood feature selection with binary whale optimization algorithm. International Journal of Machine Learn- ing and Cybernetics. 14, 609–631.
[23] Uke, N.J., Lokhande, S.A., Kale, P. and et al. (2024), Distributed privacy preservation for online social network using flexible clustering and whale optimization algorithm, Cluster Computing, 27, 5995–6012.
[24] Vishnoi, S., Jain, A.K. and Sharma, P.K. (2021), An efficient nuclei segmentation method based on roulette wheel whale optimization and fuzzy clustering. Evolutionary Intelligence, 14, 1367–1378.
[25] Wu, Z. -X., Huang, K. -W., Chen, J. -L. and Yang, C. -S. (2019), A Memetic Fuzzy Whale Opti- mization Algorithm for Data Clustering, In Proceedings of the 2019 IEEE Congress on Evolutionary Computation (CEC), Wellington, New Zealand, 1446-1452.
دوره 7، شماره 2 - شماره پیاپی 15
بیانیه دسترسی آزاد
دی 1403
صفحه 33-63

  • تاریخ دریافت 25 تیر 1403
  • تاریخ بازنگری 06 مهر 1403
  • تاریخ پذیرش 18 آبان 1403