Catalogue en ligne

University Sétif 1 FERHAT ABBAS Faculty of Sciences

Nouvelle recherche

Document: document électronique

Recent Advances in Bioinspired Algorithms / Laid Madani

Public
ISBD

Titre :	Recent Advances in Bioinspired Algorithms
Type de document :	document électronique
Auteurs :	Laid Madani ; Youcef Aimen Mehenni, Auteur ; Semcheddine,Moussa, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2025
Importance :	1 vol (71 f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Optimization Nature-inspired algorithms Benchmark functions Particle Swarm Optimization Firefly Algorithm Grey Wolf Optimizer
Index. décimale :	004 Informatique
Résumé :	Bio-inspired algorithms have gained increasing attention in the past decade due to their wide range of applications across various fields. Motivated by their growing importance, we have developed a user interface designed to simplify the process of testing these algorithms using standard benchmark functions to evaluate their performance. The interface presents the results in a comprehensive manner through tables, graphs, and bar charts, facilitating easier analysis and interpretation. It is user-friendly and supports the addition of new algorithms and benchmark functions, making it a valuable tool for students and researchers in mathematics and computer science to obtain results efficiently and with minimal effort.
Note de contenu :	Sommaire Acknowledgment v General Introduction 2 1 Bio-inspired Optimization Algorithms 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 Combinatorial Optimization . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2.1 Local Optimum . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2.2 Global Optimum . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Optimization problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.2 Modeling an Optimization Problem . . . . . . . . . . . . . . . . . . 6 1.3.3 Types of Optimization Problems . . . . . . . . . . . . . . . . . . . 7 1.3.3.1 Problem of Class P . . . . . . . . . . . . . . . . . . . . . . 7 1.3.3.2 Problem of Class NP . . . . . . . . . . . . . . . . . . . . . 7 1.3.3.3 Problem of Class NP-hard . . . . . . . . . . . . . . . . . . 7 1.3.3.4 Problem of Class NP-complete . . . . . . . . . . . . . . . 8 1.4 Optimization Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4.1 Deterministic Approaches . . . . . . . . . . . . . . . . . . . . . . . 8 1.4.2 Approximate Approaches . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4.2.1 Heuristic Methods . . . . . . . . . . . . . . . . . . . . . . 8 1.4.2.2 Metaheuristic Methods . . . . . . . . . . . . . . . . . . . . 9 1.4.2.3 Heuristics vs Metaheuristics . . . . . . . . . . . . . . . . . 9 1.4.2.4 Key Properties of Metaheuristics . . . . . . . . . . . . . . 9 1.4.2.5 Exploration and Exploitation . . . . . . . . . . . . . . . . 9 1.4.3 Classification of Metaheuristics . . . . . . . . . . . . . . . . . . . . 10 1.5 Bio-inspired Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.5.1 Advantage Bio-Inspired . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.5.2 Process of Creating a Bio-Inspired Algorithm . . . . . . . . . . . . 11 1.5.3 Application Areas of Bio-Inspired Optimization . . . . . . . . . . . 12 1.5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2 Related work on recent bio inspired algorithms 13 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2 Taxonomy of Bio inspired approaches . . . . . . . . . . . . . . . . . . . . . 13 2.2.1 Evolution-Based Algorithms . . . . . . . . . . . . . . . . . . . . . . 13 2.2.2 Swarm Intelligence-Based Algorithms . . . . . . . . . . . . . . . . . 14 2.2.3 Ecology-Based Algorithms . . . . . . . . . . . . . . . . . . . . . . . 14 2.3 Well-known bio inspired algorithms: . . . . . . . . . . . . . . . . . . . . . . 15 2.3.1 The Genetic Algorithm (GA) . . . . . . . . . . . . . . . . . . . . . 15 2.3.1.1 Core Concepts . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.1.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.3.1.3 Advantages . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.3.1.4 Disadvantages . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3.2 Particle Swarm Optimization (PSO) . . . . . . . . . . . . . . . . . 18 2.3.2.1 Core Concepts . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3.2.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.2.3 Advantages . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.2.4 Disadvantages . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3 The Firefly Algorithm (FA) . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3.1 Core Concepts . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3.2 The Attractiveness of the Firefly . . . . . . . . . . . . . . 21 2.3.4 The Grey Wolf Optimizer (GWO) . . . . . . . . . . . . . . . . . . . 22 2.3.4.1 Social Hierarchy . . . . . . . . . . . . . . . . . . . . . . . 23 2.3.4.2 Hunting Mechanism . . . . . . . . . . . . . . . . . . . . . 23 2.3.4.3 Mathematical Model . . . . . . . . . . . . . . . . . . . . . 24 2.3.4.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.5 The Whale Optimization Algorithm (WOA) . . . . . . . . . . . . . 26 2.3.5.1 Algorithm Mechanism . . . . . . . . . . . . . . . . . . . . 26 2.3.5.2 Encircling Prey . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.5.3 Bubble-Net Attacking Method . . . . . . . . . . . . . . . 28 2.3.5.4 Searching for Prey (Exploration) . . . . . . . . . . . . . . 29 2.3.5.5 Advantages of WOA . . . . . . . . . . . . . . . . . . . . . 29 2.3.5.6 Disadvantages of WOA . . . . . . . . . . . . . . . . . . . 29 2.3.6 Ant Colony Optimization . . . . . . . . . . . . . . . . . . . . . . . 30 2.3.6.1 Working Principle of ACO . . . . . . . . . . . . . . . . . . 30 2.3.6.2 Mathematical Relationships . . . . . . . . . . . . . . . . . 31 2.3.6.3 Applications of ACO . . . . . . . . . . . . . . . . . . . . . 32 2.3.6.4 Advantages to ACO . . . . . . . . . . . . . . . . . . . . . 32 2.3.6.5 Disadvantages of ACO . . . . . . . . . . . . . . . . . . . . 32 2.3.7 Harris Hawks Optimization (HHO) . . . . . . . . . . . . . . . . . . 33 2.3.7.1 Algorithm Mechanism . . . . . . . . . . . . . . . . . . . . 33 2.3.7.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.3.8 Cuckoo Search (CS) . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.3.8.1 Algorithm Mechanism . . . . . . . . . . . . . . . . . . . . 33 2.3.8.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.3.9 Bat Algorithm (BA) . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.3.9.1 Algorithm Mechanism . . . . . . . . . . . . . . . . . . . . 34 2.3.9.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.3.10 Artificial Bee Colony (ABC) . . . . . . . . . . . . . . . . . . . . . . 34 2.3.10.1 Algorithm Mechanism . . . . . . . . . . . . . . . . . . . . 34 2.3.10.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.3.11 Biogeography-Based Optimization (BBO) . . . . . . . . . . . . . . 35 2.3.11.1 Core Concept . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.3.11.2 Mathematical Relationships . . . . . . . . . . . . . . . . . 36 2.3.11.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.11.4 Advantages . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.11.5 Disadvantages . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.4 Review of Recent Nature-Inspired Algorithms . . . . . . . . . . . . . . . . 37 2.4.1 Pufferfish Optimization Algorithm (POA) . . . . . . . . . . . . . . 37 2.4.1.1 Core Concepts . . . . . . . . . . . . . . . . . . . . . . . . 37 2.4.1.2 Mathematical Relationships . . . . . . . . . . . . . . . . . 38 2.4.1.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.4.1.4 Advantages . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.4.1.5 Disadvantages . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.4.2 Mountain Gazelle Optimizer (MGO) . . . . . . . . . . . . . . . . . 41 2.4.2.1 Core Concepts . . . . . . . . . . . . . . . . . . . . . . . . 41 2.4.2.2 Mathematical Relationships . . . . . . . . . . . . . . . . . 42 2.4.2.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.4.2.4 Advantages . . . . . . . . . . . . . . . . . . . . . . . . . . 46 2.4.2.5 Disadvantages . . . . . . . . . . . . . . . . . . . . . . . . . 46 2.4.3 Recent Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3 Methodology, Experiments, and Results 51 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2 Description of the Proposition . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2.1 Steps for Using the GUI . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2.2 Notes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.3 Development Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.3.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.3.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.3.2.1 Programming Language . . . . . . . . . . . . . . . . . . . 53 3.4 Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.4.1 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.4.2 Benchmark Functions . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.4.2.1 Schwefel Function . . . . . . . . . . . . . . . . . . . . . . 54 3.4.2.2 Sphere Function . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.2.3 Ackley Function . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.2.4 Sum-Diff-Pow Function . . . . . . . . . . . . . . . . . . . 55 3.4.2.5 Griewank Function . . . . . . . . . . . . . . . . . . . . . 56 3.4.2.6 Rastrigin Function . . . . . . . . . . . . . . . . . . . . . . 56 3.4.2.7 Dixon-Price Function . . . . . . . . . . . . . . . . . . . . 56 3.4.2.8 Rosenbrock Function . . . . . . . . . . . . . . . . . . . . 57 3.4.2.9 Levy Function . . . . . . . . . . . . . . . . . . . . . . . . 57 3.4.2.10 Cross-in-Tray Function . . . . . . . . . . . . . . . . . . . . 57 3.4.2.11 Holder Table Function . . . . . . . . . . . . . . . . . . . . 58 3.4.3 Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.4.4 Evaluation Criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 3.4.5 Results and Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 59 3.4.6 Parameters Used . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 3.4.6.1 General Parameters . . . . . . . . . . . . . . . . . . . . . 59 3.4.6.2 Algorithm-Specific Parameters . . . . . . . . . . . . . . . 60 3.4.6.3 Analysis of Results Table . . . . . . . . . . . . . . . . . . 60 3.4.6.4 Overview of Results . . . . . . . . . . . . . . . . . . . . . 60 3.4.6.5 Performance of Best Optimum Values . . . . . . . . . . . 60 3.4.6.6 Execution Time Performance . . . . . . . . . . . . . . . . 61 3.4.6.7 Stability of Results . . . . . . . . . . . . . . . . . . . . . . 61 3.4.6.8 Analysis of Best Optimum Charts . . . . . . . . . . . . . . 62 3.4.6.9 Analysis of Convergence Charts . . . . . . . . . . . . . . . 63 3.4.6.10 Analysis of Execution Time Bars . . . . . . . . . . . . . . 64 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Côte titre :	MAI/0968

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0968	MAI/0968	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

A-
A
A+

Accueil

Se connecter

Mot de passe oublié ?

Adresse

Université Sétif -1- faculté des sciences el bez Sétif
19000 Sétif
Algérie

Horaires d'ouverture :

Dimanche:  8:00h-16h30
Lundi:         8:00h-16h30
Mardi:         8:00h-16h30
Mercredi:    8:00h-16h30
Jeudi:         8:00h-16h30