الگوریتم سینوس کسینوس(Sine Cosine Algorithm) یکی از الگوریتمهای فراابتکاری است که در سال 2016 در ژورنال معتبر Knowledge-Based Systems از انتشارات sciencedirect چاپ شده است. در مسائل بهینهسازی، تقسیم فرآیند بهینهسازی شامل دو مرحله اکتشاف و بهرهبرداری است. در مرحله اول، الگوریتم بهینهسازی، راهحلهای تصادفی ایجاد شده را با نرخ تصادفی بالایی ترکیب میکند تا مناطق امیدوارکننده فضای جستجو را پیدا کند. در مرحله بهرهبرداری، قابلیت متمرکز کردن جستجو در محدوده جواب بهینه است. در فاز بهرهبرداری، تغییرات تدریجی در راه حلهای تصادفی وجود دارد و تغییرات تصادفی در مقایسه با فاز اکتشاف کمتر هستند. هدف تحقیق حاضر، معرفی و شناساندن الگوریتم سینوس کسینوس به محققان جهت بهکارگیری در حل مسائل بهینهسازی میباشد. در این تحقیق، الگوریتم سینوس کسینوس روی مسائل مختلف بهینهسازی تست شده است. در شبیهسازی پیوست شده الگوریتم سینوس کسینوس با الگوریتم تکامل تفاضلی، الگوریتم جستجوی گرانشی، و الگوریتم بهینهسازی اجتماع ذرات مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم سینوس کسینوس در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
در این تحقیق، الگوریتم جستجوی گرانشی مبتنی بر نگاشت آشوب برای حل مسائل طراحی مهندسی مکانیک بررسی میشود. مقاله اصلی این تحقیق در سال 2020 در ژورنال World Journal of Engineering از انتشارات امرالد (emerald) چاپ شده است. هدف این تحقیق، بررسی سه مسئله(Welded beam design, Compression spring design, Pressure vessel design) در حوزه مهندسی مکانیک با استفاده از الگوریتمهای هوش جمعی است. شبیهسازی مدل پیشنهادی در محیط متلب 2018 به بالا انجام شده است. مدل پیشنهادی با الگوریتم ژنتیک(GA)، بهینهسازی کلونی مورچه(ACO)، الگوریتم تکامل تفاضلی(DE)، الگوریتم بهینهسازی اجتماع ذرات(PSO)، الگوریتم گرگ خاکستری(GWO)، الگوریتم سینوس-کسینوس(SCA)، الگوریتم بهینهسازی اجتماع سالپ(SSA)، الگوریتم بهینهسازی مبتنی بر جغرافیای زیستی(BBO) و ترکیب الگوریتم جستجوی گرانشی با الگوریتم بهینهسازی اجتماع ذرات(PSOGSA) مقایسه شده است. نتایج نشان میدهد که مدل پیشنهادی دارای برازندگی بهتری بوده است.
الگوریتم بهینهسازی نهنگ سفید(Beluga whale optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2022 در ژورنال معتبر Knowledge-Based Systems از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی نهنگ سفید برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی نهنگ سفید با الگوریتم بهینهسازی اجتماع ذرات(Particle swarm optimization)، الگوریتم جستجوی گرانشی(Gravitational Search Algorithm) و الگوریتم بهینهسازی شعله-پروانه(Moth-Flame Optimization Algorithm)، الگوریتم تکامل تفاضلی(Differential Evolution)، الگوریتم بهینهسازی نهنگ(Whale Optimization Algorithm) و الگوریتم گرگ خاکستری(Grey Wolf Optimizer) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی نهنگ سفید در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
الگوریتم بهینهسازی جستجوی اتم(Atom Search Optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2019 در ژورنال معتبر Knowledge-Based Systems از انتشارات الزویر چاپ شده است. الگوریتم بهینهسازی جستجوی اتم از دینامیک مولکولی پایه الهام گرفته شده است. این الگوریتم بصورت ریاضی مدل شده و از مدل حرکت اتمی در طبیعت تقلید میکند. در این تحقیق، الگوریتم بهینهسازی جستجوی اتم برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی جستجوی اتم با الگوریتم بهینهسازی اجتماع ذرات(Particle swarm optimization)، الگوریتم جستجوی گرانشی(Gravitational Search Algorithm)، و الگوریتم کلونی زنبور مصنوعی (artificial bee colony) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی جستجوی اتم در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.