DOI: https://doi.org/10.1038/s41598-025-90000-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40050650
تاريخ النشر: 2025-03-07
المؤلف: Essam H. Houssein وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
في هذه الدراسة، تم تقديم خوارزمية هجينة جديدة تسمى BES-GO، والتي تدمج بين خوارزميات بحث النسر الأصلع (BES) ومحسن النمو (GO)، لمعالجة مشاكل تحسين تصميم الهياكل القياسية. تم تقييم الخوارزمية بدقة مقابل عشر خوارزميات ميتاheuristic معروفة، بما في ذلك محسن أسد النمل (ALO)، وتحسين سرب التونة (TSO)، وتحسين سرب الجسيمات (PSO)، من بين آخرين، باستخدام مجموعة اختبارات CEC’20. تشير النتائج إلى أن BES-GO تفوقت باستمرار على منافسيها من حيث سرعة التقارب وتحقيق الحل الأمثل عبر تحديات تصميم الهياكل المختلفة، مثل تقليل الانحراف العمودي في العوارض I وتحسين وزن العوارض المدعومة.
تؤكد النتائج فعالية خوارزمية BES-GO، التي لم تحقق فقط الحلول المثلى لجميع المشاكل المختبرة ولكن أيضًا أظهرت أقل انحراف معياري وأوقات تنفيذ معقولة. وهذا يضع BES-GO كأداة واعدة لتقدم تحسين تصميم الهياكل. تشمل اتجاهات البحث المستقبلية تعزيز كفاءة الخوارزمية واستكشاف تطبيقها في سيناريوهات تحسين متعددة الأهداف، لا سيما في التطبيقات المعقدة مثل تصميم الأبراج.
طرق
في هذا القسم، يقدم المؤلفون تحليل النتائج التجريبية للتحقق من فعالية خوارزمية BES-GO المقترحة. يتم إجراء التقييم من خلال سلسلة من التحقيقات العددية التي تستخدم وظائف اختبار رياضية مختلفة ومجموعات مرجعية. بالإضافة إلى ذلك، يتم تقييم أداء الخوارزمية على عدة مشاكل تصميم هندسية معروفة، مما يظهر قدرتها على حل مهام تحسين معقدة. تشير النتائج إلى أن خوارزمية BES-GO تظهر نتائج واعدة، مما يشير إلى إمكانية تطبيقها في سيناريوهات الهندسة الواقعية.
نقاش
في قسم النقاش من الورقة، يستعرض المؤلفون طرق تحسين قائمة على السكان المختلفة المطبقة على مشاكل الهندسة المرجعية، مثل تصميم العوارض الملحومة، وتصميم الجسور الثلاثية، وتحسين العوارض المدعومة، وتقليل الانحراف العمودي للعوارض I. يبرزون خوارزميات مهمة، بما في ذلك خوارزمية تحسين الأجسام المتصادمة، وتحسين العنكبوت الاجتماعي، واستراتيجية الحركة الجديدة لبحث الدُعاء، من بين آخرين، والتي تم توثيقها في جداول تلخص حلولها المثلى وقيم ملاءمتها. يُلاحظ أن مشكلة تصميم الجسر الثلاثي معقدة وقد تم تناولها باستخدام منهجيات متعددة، كما هو مفصل في الجداول المرفقة.
يتناول القسم أيضًا خوارزميات محددة مستخدمة في الدراسة، مثل خوارزمية بحث النسر الأصلع (BES)، التي تحاكي سلوك الصيد للنسر الأصلع من خلال عملية من ثلاث مراحل: الاختيار، والبحث، والانقضاض. يتم تقديم الصيغ الرياضية التي تحكم سلوك الخوارزمية، موضحة كيف تتنقل الخوارزمية في فضاء البحث لتحديد الحلول المثلى. بالإضافة إلى ذلك، يتم وصف محسن وحدات الغوريلا الاصطناعية (GTO) وغيرها من الخوارزميات الميتاheuristic مثل تحسين سرب الجسيمات (PSO) ومحسن أسد النمل (ALO)، كل منها بآلياته التشغيلية الفريدة وتمثيلاته الرياضية. يؤكد المؤلفون على أهمية هذه الخوارزميات في معالجة مشاكل تصميم الهندسة المعقدة، مع عرض فعاليتها من خلال سيناريوهات تحسين متنوعة.
DOI: https://doi.org/10.1038/s41598-025-90000-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40050650
Publication Date: 2025-03-07
Author(s): Essam H. Houssein et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
In this study, a novel hybrid metaheuristic algorithm named BES-GO, which integrates the Bald Eagle Search (BES) and Growth Optimizer (GO) algorithms, is introduced for addressing benchmark structural design optimization problems. The algorithm was rigorously evaluated against ten established metaheuristic algorithms, including Ant Lion Optimizer (ALO), Tuna Swarm Optimization (TSO), and Particle Swarm Optimization (PSO), among others, using the CEC’20 test suite. The results indicate that BES-GO consistently outperformed its competitors in terms of convergence speed and optimal solution attainment across various structural design challenges, such as minimizing vertical deflection in I-beams and optimizing the weight of cantilever beams.
The findings underscore the effectiveness of the BES-GO algorithm, which not only achieved the optimal solutions for all tested problems but also demonstrated the smallest standard deviation and reasonable execution times. This positions BES-GO as a promising tool for advancing structural design optimization. Future research directions include enhancing the algorithm’s efficiency and exploring its application in multi-objective optimization scenarios, particularly in complex applications like tower design.
Methods
In this section, the authors present the analysis of experimental results to validate the effectiveness of the proposed BES-GO algorithm. The evaluation is conducted through a series of numerical investigations that utilize various mathematical test functions and benchmark suites. Additionally, the algorithm’s performance is assessed on several established engineering design problems, demonstrating its capability in solving complex optimization tasks. The findings indicate that the BES-GO algorithm exhibits promising results, suggesting its potential applicability in real-world engineering scenarios.
Discussion
In the discussion section of the paper, the authors review various population-based optimization methods applied to benchmark engineering problems, such as the welded beam design, three-bar truss design, cantilever beam optimization, and I-beam vertical deflection minimization. They highlight significant algorithms, including the Colliding Bodies Optimization Algorithm, Social Spider Optimization, and the New Movement Strategy of Cuckoo Search, among others, which have been documented in tables summarizing their optimal solutions and fitness values. The three-bar truss design problem is noted for its complexity and has been addressed using multiple methodologies, as detailed in the accompanying tables.
The section further elaborates on specific algorithms employed in the study, such as the Bald Eagle Search (BES) algorithm, which mimics the hunting behavior of bald eagles through a three-stage process: selection, searching, and swooping. The mathematical formulations governing the algorithm’s behavior are presented, illustrating how the algorithm navigates the search space to identify optimal solutions. Additionally, the Artificial Gorilla Troops Optimizer (GTO) and other metaheuristic algorithms like Particle Swarm Optimization (PSO) and the Ant Lion Optimizer (ALO) are described, each with their unique operational mechanics and mathematical representations. The authors emphasize the importance of these algorithms in addressing complex engineering design problems, showcasing their effectiveness through various optimization scenarios.