DOI: https://doi.org/10.22266/ijies2025.0331.37
تاريخ النشر: 2025-02-26
الموضوع الرئيسي: الألعاب التعليمية وت gamification
نظرة عامة
في هذه الورقة، يقدم المؤلفون خوارزمية جديدة تعتمد على الإنسان تُسمى تحسين قائم على نشر الأوراق (PPBO)، والتي تستلهم من العملية التكرارية لنشر الأوراق. تحاكي الخوارزمية جهود المؤلفين لتحسين مخطوطاتهم بناءً على تعليقات المراجعين والمحررين، بهدف تعزيز احتمالية القبول. يتم تأسيس الإطار النظري لـ PPBO ونمذجته رياضيًا لمحاكاة عملية النشر. يتم تقييم أداء الخوارزمية بدقة مقابل ثلاثة وعشرين دالة معيارية قياسية، تشمل مشاكل أحادية النمط، متعددة الأنماط عالية الأبعاد، ومتعددة الأنماط ثابتة الأبعاد.
تشير النتائج إلى أن PPBO تظهر قدرة قوية في كل من الاستكشاف والاستغلال، مما يوازن بفعالية بين هذين الجانبين أثناء البحث عن التحسين. تكشف التحليلات المقارنة أن PPBO تتفوق على اثني عشر خوارزمية ميتاهيرستية معروفة، مما يحقق نتائج متفوقة عبر معظم الدوال المعيارية. تشير النتائج إلى أن PPBO هي أداة واعدة لمعالجة تحديات التحسين في مجالات علمية متنوعة، مع إمكانية المزيد من التطوير والتطبيق في جهود البحث المستقبلية.
مقدمة
تناقش مقدمة الورقة طبيعة مشاكل التحسين، التي تتضمن العثور على أفضل حل ممكن بين عدة احتمالات. تتميز هذه المشاكل بثلاثة مكونات: متغيرات القرار، القيود، ودالة الهدف. يصنف المؤلفون تقنيات حل المشكلات إلى طرق حتمية وعشوائية، مشيرين إلى أنه بينما تكون الطرق الحتمية فعالة للمشاكل البسيطة، فإنها غالبًا ما تواجه صعوبة مع الحالات المعقدة وغير الخطية وعالية الأبعاد. أدت هذه القيود إلى ظهور الطرق العشوائية، وخاصة الخوارزميات الميتاهيرستية، التي تستخدم استراتيجيات البحث العشوائي لاستكشاف فضاء الحلول.
تُبرز الخوارزميات الميتاهيرستية مزاياها في التعامل مع سيناريوهات التحسين المعقدة، بما في ذلك قدرتها على موازنة الاستكشاف (البحث العالمي) والاستغلال (البحث المحلي) لتجنب الحلول المحلية المثلى. تؤكد الورقة على أنه لا يمكن اعتبار أي خوارزمية ميتاهيرستية واحدة متفوقة عالميًا، كما يتضح من نظرية “لا غداء مجاني” (NFL)، التي تقترح أن فعالية الخوارزمية يمكن أن تختلف عبر مشاكل التحسين المختلفة. استجابةً لهذا التحدي، يقدم المؤلفون خوارزمية ميتاهيرستية جديدة تُسمى تحسين قائم على نشر الأوراق (PPBO)، مستوحاة من العملية التكرارية لتحسين الأوراق الأكاديمية بناءً على تعليقات المراجعين. توضح الورقة تصميم وتنفيذ PPBO، وتقييم أدائها مقابل الخوارزميات المعروفة على الدوال المعيارية، وتضع الأساس لمزيد من الاستكشاف في الأقسام اللاحقة.
النتائج
في هذا القسم، يتم تقييم أداء نهج تحسين قائم على سرب الجسيمات (PPBO) المقترح من خلال دراسات محاكاة تشمل اثنين وخمسين دالة معيارية قياسية، والتي تتضمن أنواع أحادية النمط، متعددة الأنماط عالية الأبعاد، ومتعددة الأنماط ثابتة الأبعاد. يتم مقارنة فعالية PPBO مع اثني عشر خوارزمية ميتاهيرستية معروفة: الخوارزمية الجينية (GA)، تحسين سرب الجسيمات (PSO)، خوارزمية البحث الجاذبي (GSA)، تحسين الذئب الرمادي (GWO)، المحسن متعدد الأكوان (MVO)، خوارزمية تحسين الحوت (WOA)، خوارزمية البحث التابو (TSA)، خوارزمية متعددة السكان (MPA)، خوارزمية تحسين المتغيرات التكيفية (AVOA)، تحسين قافز الماء (WSO)، وخوارزمية البحث العشوائي (RSA).
يتم قياس قدرات تحسين PPBO باستخدام ستة مؤشرات إحصائية: المتوسط، الأفضل، الأسوأ، الانحراف المعياري (std)، الوسيط، والترتيب. توفر هذه المقاييس نظرة شاملة على أداء الخوارزمية عبر الدوال المعيارية، مما يبرز نقاط قوتها وضعفها مقارنة بالخوارزميات الأخرى المختبرة.
المناقشة
يوفر قسم المناقشة في ورقة البحث نظرة شاملة على مختلف الخوارزميات الميتاهيرستية المستوحاة من الظواهر الطبيعية، المصنفة إلى خمس مجموعات رئيسية: المعتمدة على السرب، المعتمدة على التطور، المعتمدة على الفيزياء، المعتمدة على الألعاب، والمعتمدة على الإنسان. تحاكي الخوارزميات المعتمدة على السرب، مثل تحسين سرب الجسيمات (PSO) وتحسين مستعمرة النمل (ACO)، سلوكيات الحيوانات والحشرات، بينما تستمد الخوارزميات المعتمدة على التطور مثل الخوارزميات الجينية (GA) من المبادئ البيولوجية للاختيار الطبيعي. تستخدم الخوارزميات المعتمدة على الفيزياء، بما في ذلك التبريد المحاكى (SA)، مفاهيم فيزيائية لإعلام تصميمها. تحاكي الخوارزميات المعتمدة على الألعاب استراتيجيات من سيناريوهات تنافسية، بينما تقوم الخوارزميات المعتمدة على الإنسان، مثل تحسين التعليم والتعلم (TLBO)، بنمذجة التفاعلات البشرية وعمليات اتخاذ القرار.
من الجدير بالذكر أن مراجعة الأدبيات تحدد فجوة في تطوير الخوارزميات الميتاهيرستية المستوحاة من عملية نشر الأوراق، والتي تُعتبر نشاطًا ذكيًا ومنظمًا. لمعالجة هذه الفجوة، يقترح المؤلفون خوارزمية تحسين جديدة، تحسين قائم على نشر الأوراق (PPBO)، التي تقوم بنمذجة رياضية لمراحل تقديم الأوراق، والمراجعة، والتنقيح. تم تصميم خوارزمية PPBO لتعزيز كل من قدرات الاستكشاف والاستغلال في مهام التحسين، مما يظهر أداءً متفوقًا في اختبارات معيارية متنوعة مقارنة بالخوارزميات الحالية. تشير النتائج إلى أن PPBO توازن بفعالية بين الأهداف المزدوجة للبحث عن الحلول العالمية أثناء تحسين الحلول المحلية، مما يساهم في تقديم نهج فريد في مجال دراسات التحسين.
DOI: https://doi.org/10.22266/ijies2025.0331.37
Publication Date: 2025-02-26
Primary Topic: Educational Games and Gamification
Overview
In this paper, the authors introduce a novel human-based metaheuristic algorithm termed Paper Publishing Based Optimization (PPBO), which draws inspiration from the iterative process of paper publication. The algorithm mimics the efforts of authors to refine their manuscripts based on feedback from reviewers and editors, aiming to enhance the likelihood of acceptance. The theoretical framework of PPBO is established and mathematically modeled to simulate the publication process. The algorithm’s performance is rigorously evaluated against twenty-three standard benchmark functions, encompassing unimodal, high-dimensional multimodal, and fixed-dimensional multimodal problems.
The results indicate that PPBO demonstrates a robust capability in both exploration and exploitation, effectively balancing these aspects during the optimization search. Comparative analyses reveal that PPBO outperforms twelve established metaheuristic algorithms, yielding superior results across most benchmark functions. The findings suggest that PPBO is a promising tool for addressing optimization challenges in various scientific domains, with potential for further development and application in future research endeavors.
Introduction
The introduction of the paper discusses the nature of optimization problems, which involve finding the best feasible solution among multiple possibilities. These problems are characterized by three components: decision variables, constraints, and an objective function. The authors categorize problem-solving techniques into deterministic and stochastic approaches, noting that while deterministic methods are effective for simpler problems, they often struggle with complex, non-linear, and high-dimensional cases. This limitation has led to the rise of stochastic methods, particularly metaheuristic algorithms, which utilize random search strategies to explore the solution space.
Metaheuristic algorithms are highlighted for their advantages in handling complex optimization scenarios, including their ability to balance exploration (global search) and exploitation (local search) to avoid local optima. The paper emphasizes that no single metaheuristic algorithm can be deemed universally superior, as articulated by the No Free Lunch (NFL) theorem, which suggests that the effectiveness of an algorithm can vary across different optimization problems. In response to this challenge, the authors introduce a novel metaheuristic algorithm called Paper Publishing Based Optimization (PPBO), inspired by the iterative process of improving academic papers based on reviewer feedback. The paper outlines the design and implementation of PPBO, evaluates its performance against established algorithms on benchmark functions, and sets the stage for further exploration in subsequent sections.
Results
In this section, the performance of the proposed Particle Swarm-Based Optimization (PPBO) approach is assessed through simulation studies involving fifty-two standard benchmark functions, which include unimodal, high-dimensional multimodal, and fixed-dimensional multimodal types. The effectiveness of PPBO is compared against twelve established metaheuristic algorithms: Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Gravitational Search Algorithm (GSA), Grey Wolf Optimization (GWO), Multi-Verse Optimizer (MVO), Whale Optimization Algorithm (WOA), Tabu Search Algorithm (TSA), Multi-Population Algorithm (MPA), Adaptive Variable Optimization Algorithm (AVOA), Water Strider Optimization (WSO), and Random Search Algorithm (RSA).
The evaluation of PPBO’s optimization capabilities is quantified using six statistical indicators: mean, best, worst, standard deviation (std), median, and rank. These metrics provide a comprehensive overview of the algorithm’s performance across the benchmark functions, highlighting its strengths and weaknesses in comparison to the other algorithms tested.
Discussion
The discussion section of the research paper provides a comprehensive overview of various metaheuristic algorithms inspired by natural phenomena, categorized into five main groups: swarm-based, evolutionary-based, physics-based, game-based, and human-based approaches. Swarm-based algorithms, such as Particle Swarm Optimization (PSO) and Ant Colony Optimization (ACO), mimic the behaviors of animals and insects, while evolutionary-based algorithms like Genetic Algorithms (GA) draw from biological principles of natural selection. Physics-based algorithms, including Simulated Annealing (SA), utilize physical concepts to inform their design. Game-based algorithms simulate strategies from competitive scenarios, whereas human-based algorithms, such as Teaching-Learning Based Optimization (TLBO), model human interactions and decision-making processes.
Notably, the literature review identifies a gap in the development of metaheuristic algorithms inspired by the paper publishing process, which is characterized as an intelligent and structured activity. To address this gap, the authors propose a novel optimization algorithm, Paper Publishing Based Optimization (PPBO), which mathematically models the stages of paper submission, review, and revision. The PPBO algorithm is designed to enhance both exploration and exploitation capabilities in optimization tasks, demonstrating superior performance in various benchmark tests compared to existing algorithms. The findings suggest that PPBO effectively balances the dual objectives of searching for global optima while refining local solutions, thereby contributing a unique approach to the field of optimization studies.