Un algorithme d'optimisation planétaire efficace pour résoudre des problèmes d'ingénierie

Rapports scientifiques volume 12, Numéro d'article : 8362 (2022) Citer cet article

2232 Accès

24 citations

3 Altmétrique

Détails des métriques

Dans cette étude, un algorithme méta-heuristique, nommé The Planet Optimization Algorithm (POA), inspiré de la loi gravitationnelle de Newton est proposé. POA simule le mouvement des planètes du système solaire. Le Soleil joue un rôle clé dans l'algorithme car il est au cœur de l'espace de recherche. Deux phases principales, la recherche locale et globale, sont adoptées pour augmenter simultanément la précision et élargir l'espace de recherche. Une fonction de distribution de Gauss est utilisée comme technique pour améliorer la précision de cet algorithme. POA est évalué à l'aide de 23 fonctions de test bien connues, 38 fonctions de test de référence IEEE CEC (CEC 2017, CEC 2019) et trois problèmes d'ingénierie réels. Les résultats statistiques des fonctions de benchmark montrent que POA peut fournir des résultats très compétitifs et prometteurs. Non seulement la POA nécessite un temps de calcul relativement court pour résoudre les problèmes, mais elle fait également preuve d'une précision supérieure en termes d'exploitation de l'optimum.

Ces dernières années, de nombreux algorithmes d’optimisation inspirés de la nature ont été proposés. Certains algorithmes inspirés des essaims sont appréciés, tels que l'algorithme d'optimisation des essaims de particules (PSO)1, l'algorithme Firefly (FA)2, l'algorithme Dragonfly (DA)3, l'algorithme d'optimisation des baleines (WOA)4, Grey Wolf Optimizer (GWO)5, Monarch. Optimisation des papillons (MBO)6, algorithme d'optimisation des vers de terre (EWA)7, optimisation de l'élevage d'éléphants (EHO)8, algorithme de recherche de papillons de nuit (MS)9, algorithme de moisissure visqueuse (SMA)10, algorithme de prédation des colonies (CPA)10 et optimisation de Harris Hawks ( HHO)11. En outre, un certain nombre d'algorithmes inspirés de la physique simulent les lois physiques de l'univers ou de la nature, tels que l'optimisation de l'espace courbe (CSO)12, l'optimisation des vagues d'eau (WWO)13, etc. De plus, certains algorithmes basés sur des fondements mathématiques sont également approches créatives, par exemple l'optimiseur Runge Kutta (RUN)14.

D’un autre côté, certains algorithmes simulent le comportement humain, tels que l’optimisation basée sur l’enseignement-apprentissage (TLBO)15 et l’optimisation basée sur le comportement humain (HBBO)16. Pendant ce temps, l’algorithme génétique (GA)17 s’inspire de l’évolution et obtient de nombreux succès dans la résolution de problèmes d’optimisation dans de nombreux domaines. Avec la popularité croissante de GA, de nombreux algorithmes basés sur les évolutions sont proposés dans la littérature, notamment Evolutionary Programming (EP)18 et Evolutionary Strategies (ES)19.

De nos jours, les algorithmes métaheuristiques deviennent un outil essentiel pour résoudre des problèmes d’optimisation complexes dans divers domaines. De nombreux chercheurs ont appliqué de tels algorithmes pour tenter de résoudre des problèmes difficiles en biologie20, en économie21, en ingénierie22,23, etc. Par conséquent, la construction de nouveaux algorithmes pour répondre à des exigences aussi complexes présente un avantage considérable.

Dans cette étude, un algorithme puissant est construit pour résoudre des problèmes d’optimisation locaux et globaux. L’idée vient du mouvement naturel des planètes de notre système solaire et des interactions interplanétaires tout au long de leur cycle de vie. La loi de la gravité de Newton reflète l'interaction gravitationnelle du Soleil avec les planètes en orbite pour trouver la position optimisée grâce aux caractéristiques de chaque planète. Les caractéristiques de ces planètes sont leurs masses et leurs distances.

Dans cet article, nous proposons un algorithme d'optimisation utilisant la loi de la gravitation universelle de Newton comme base de son développement. Dans cet algorithme, un certain nombre de fonctionnalités prééminentes sont prises en compte, telles que la recherche locale et la recherche globale, pour augmenter la capacité de trouver les solutions exactes intégrées à la simulation du mouvement des planètes dans l'univers.

Ce document de recherche est structuré en plusieurs sections comme suit. Dans la section suivante, la construction d'un algorithme méta-heuristique est présentée. Le POA structurel est simulé sur la base de la loi de Newton sur la gravitation universelle et les phénomènes astronomiques. Ensuite, un large éventail d’applications de divers problèmes de référence est utilisé pour démontrer l’efficacité de la POA. Parallèlement, nous présentons les applications du POA à des problèmes réels d’ingénierie. Enfin, sur la base des résultats présentés, la dernière section rapporte les conclusions.