驴和走私者：自然启发算法优化计算设计与工程问题

可在ScienceDirect上获得目录列表计算设计与工程杂志首页：www.elsevier.com/locate/jcde计算设计与工程学报6（2019）562驴和走私者优化算法：一种协同工作的路径搜索方法艾哈迈德·S.放大图片作者：Tarik A.放大图片作者：Rashida，Rawan A.Al-Rashid Aghaa，Nawzad K.Al-Salihia，Mokhtar Mohammadiba伊拉克库尔德斯坦埃尔比勒库尔德斯坦-休勒大学计算机科学与工程系b伊拉克库尔德斯坦苏莱曼尼亚人类发展大学信息技术系阿提奇莱因福奥文章历史记录：接收日期：2018年11月19日接收日期：2019年4月9日接受日期：2019年4月15日在线提供2019年保留字：自然启发算法优化问题元分析DSOA B S T R A C T群智能是一种元启发式优化方法，在过去几十年中已经变得非常主导这些算法的灵感来自动物的身体行为和它们的进化感知。这些算法的简单性使研究人员能够模拟不同的自然现象来解决各种现实问题。本文提出了一种新的算法称为驴和走私者优化算法（DSO）。DSO的灵感来自驴子的搜索行为。该算法模仿了现实世界中驴子的运输行为，如搜索和选择运动路线。该算法建立了两种模式来实现搜索行为和路径选择这是走私者和驴子。在走私者模式中，所有可能的路径被发现，然后找到最短的路径。在驴子模式中，几个驴子的行为被利用，如运行，脸自杀，和脸支持。真实世界的数据和应用程序被用来测试算法。实验结果包括两个部分，首先，我们使用标准的基准测试函数来评估算法相对于最流行和最先进的算法的性能。其次，DSO是适应和实现三个现实世界的应用，即旅行商问题，分组路由，救护车路由。DSO在这些实际问题上的实验结果是非常有希望的。结果表明，建议的DSO是适当的，以解决其他不熟悉的搜索空间和复杂的问题。©2019计算设计与工程学会Elsevier的出版服务这是一个开放在CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下访问文章1. 介绍群体智能已被广泛应用于不同背景的研究这些算法的灵感来自于社会动物的行为，它们是人工智能领域的一部分它们是设计多个代理系统的产物，这些代理系统的灵感来自于动物或昆虫的社会生活中的合作或竞争行为这些行为自然对这些物种的生存做出了巨大贡献。多年来，这一直困扰着科学单个动物可能无法获得信息-由计算设计与工程学会负责进行同行评审。*通讯作者。电 子 邮 件 地 址 ： ahmed. ukh.edu.krd （ A.S. Shamsaldin ） ， tarik.ahme-d@ukh.edu.krd（T.A. Rashid），rawan. ukh.edu.krd（R.A.Al-Rashid Agha），n.ukh.edu.krd（N.K. Al-Salihi），Mokhtar. uhd.edu.iq（M. Mohammadi）。然而，在一个群体中，他们可以通过简单的行动或与群体的互动来合作完成困难和复杂的任务。此外，这些社会互动的大多数特征是自组织的，这意味着行动可以以分散的方式进行这方面的例子包括白蚁或黄蜂筑巢，以及蚂蚁和蜜蜂适应环境的能力（Blum Li，2008）。最早的群体智能类型非常受欢迎，并被科学家广泛使用。它们来自许多来源，包括遗传算法（GA）（Bonabeau等人，1999）、蚁群优化（ACO）（Dorigo等人，2006）、粒子群优化（PSO）（Kennedy&Eberhart，1995）、人工蜂群（ABC）（Karaboga，2010）、布谷鸟 搜 索 算 法 （ CS ） （ Yang& Deb ， 2009 ） 、 蝙 蝠 算 法 （ BA ）（Yang，2010）、猫算法（Chu等人，2006）等。同样重要的是要提到这些算法的流行及其在广泛应用中的使用的关键原因。首先，这些算法实现起来非常简单，因为它们主要反映了一组动物及其进化的一些社会方面的行为或表示。https://doi.org/10.1016/j.jcde.2019.04.0042288-4300/©2019计算设计与工程学会Elsevier的出版服务这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562563流程.此外，它们适用于解决不同的问题，并且在这些算法中表示的问题的两个最基本的元素是输入和输出。此外，它们在数学上非常简单，它们不依赖于梯度方法，并且在这些类型的算法中不涉及数学推导。这些算法也以元分析的方式处理问题，这意味着优化是随机执行的-搜索空间推导被忽略，因为这些算法中的优化最初提供随机解。因此，通过迭代过程进行优化。最后，它们还避免了相邻候选解集合中的最优解，因为这些算法具有随机特性，通过这些随机特性，可以避免局部解，而是广泛探索整个搜索空间（Mirjalili&Lewis，2014; Wolpert Macready，1997）。本文的动机是，没有一个全局算法可以胜任几乎所有的优化任务。这意味着一个特定的算法可以在某些应用程序上表现良好并产生合格的结果，同样，该算法在其他类型的应用程序上不能表现良好（WolpertMacready，1997）。因此，这使得它非常动态的改进，这将有助于我们介绍我们的新算法称为DSO，该算法是不同于所有以前的优化风格的算法。以前的算法主要是寻找全局解，但是，如果由于某种原因全局解消失了，而在后期又由于某种原因全局解出现了，那么，如果找到最优解的条件，那么这些算法就不是为了获得最优解而设计或调整的。因此，DSO算法有两种模式，在第一种模式下，在第二种模式下，算法试图保持最优解或在条件找到后返回最优解，而现有的算法如蚁群算法存在一些缺陷。例如，收敛时间是不确定的，编码是困难的，也不是简单的（Selvi Umarani，2010）。此外，在所有著名的自然启发的全局优化算法，如蚁群算法、实用群算法等，采用随机即，他们随机选择一个可能的解决方案，测试适应性并将其设置为最佳解决方案。然后随机选择另一个可能的解决方案，并计算适应度，并与最佳解决方案的适应度进行比较，依此类推，直到最佳解决方案被更新。这是一个耗时的过程，并且曾经是最佳解决方案的解决方案可能再次作为最佳解决方案出现，但可能需要多次迭代才能再次获得它，因为它在DSO中，走私者在一次迭代中评估所有可能的解决方案，在理想情况下，并根据其适应度对解决方案进行排序，然后确定最佳解决方案，即所选择的最佳解是最优的最佳解，并且没有其它可能的解可以具有比它更好的适应性。在驴子部分，适应性部分，我们试图保持最佳解决方案，如果它不再是好的，它会被替换。然而，该算法保持评估过程运行并更新解的适应度，并且在最优最佳解回到其适应度的情况下，它将被设置为最佳解。此外，DSO是一种基于人口的算法。这里的种群是将在算法的自适应部分中使用的一组解决方案，因此是驴。在其他基于种群的算法中，如遗传算法，它们不断地对不同的解进行交叉和变异，以获得最佳解。然而，在DSO中，不需要这样的处理，因为走私者探索所有的解决方案并计算它们的适合度。然后，这些解决方案将被放入一个群体中，并从该群体中设置最佳解决方案驴子部分将继续评估种群，并根据算法程序更新最佳解。论文的其余部分组织如下：第2节介绍了群体智能技术的文献综述。第三节概述了人工生命.在第4节中，详细解释了新算法。性能评估和实际应用的结果和讨论分别在第5节和第6节中给出。最后，第7节总结了本文的工作，并对未来的研究提出了一些建议。2. 文献综述关于前面提到的元分析，根据所提供的解决方案，有两种类型的元分析：面向单一解决方案和面向多个解决方案。单一的解决方案导向的元启发式技术的工作调整和增强一个单一的候选解决方案。面向单一解的元分析的良好示例是模拟退火、迭代局部搜索、可变邻域搜索和引导局部搜索（Kirkpatrick等人，1983; Blum& Roli，2003;Talbi，2009）。另一方面，面向多解的元启发式技术试图保留和增强多解.通常，群体特征用于控制搜索。这些算法以随机的初始多解开始搜索过程，然后通过多次迭代来提高种群或多解。值得一提的是，面向多个解决方案的元算法也被归类为进化计算和遗传算法（Mirjalili Lewis，2014）。然而，群体智能是另一种面向群体的元启发式技术。群体智能被认为是一种分散的合作行为，依赖于群体中自组织的代理（Talbi，2009）。这些算法的例子有蚁群优化、粒子群优化、社会认知优化、企鹅搜索优化算法和人工蜂群算法（Talbi，2009）。一般来说，面向多个解决方案的技术比面向单个解决方案的技术更好地在单个组之间进行沟通。此外，他们倾向于合作学习搜索区域，这使他们在搜索空间中进行更好的探索，而不是通过跳到更好的搜索空间来寻找全局解决方案而陷入局部极小值（Mirjalili Lewis，2014）。由于群体智能算法模仿的是动物群体的社会行为，本文主要对群体智能的研究工作进行了综述Dorigo在1992年提出了蚁群优化算法，该算法模仿蚂蚁的社会行为 蚂蚁擅长通过使用蚂蚁在搜索最短路径时使用的信息素的量来确定巢穴和食物源之间的最短路径（Dorigo等人， 2006年）。蚁群算法是用来解决困难的组合优化任务。人工蚂蚁使用随机结构算法，通过该算法可以做出概率决策。 该算法在解决结构不清晰的网络路由应用时表现出卓越的性能（Dorigo等人，2006年; Dorigo和Socha，2006年; Dorigo和Stützle，2003年）。最常用的算法是粒子群优化，它是由Kennedy和Eberhart在1995年提出的。这个算法的灵感来自于飞鸟和鱼的行为。PSO算法基本上应用了许多具有位置和速度的粒子该算法旨在确定最佳粒子，从而提供最佳解决方案（Kennedy Eberhart，1995）。粒子群算法实现简单，需要修改的参数少。该算法收敛速度快，全局最优解概率高，具有很强的生命力，可以并行计算。然而，它很难确定初始设计参数，因此，它可能过早收敛，并可能陷入564A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562局部最小值，特别是在解决复杂问题时（Abdmouleh等人， 2017年）。蜜蜂优化（Honey Bees Optimization，MBO）是在2001年提出的。这是另一种群体智能算法，其灵感来自于Hyattera中社会性的系统发育（例如蜜蜂，蚂蚁和黄蜂）（Abbass，2001）。该算法使用蜜蜂交配过程的行为。基本上，一些昆虫非常复杂的社会组织类型的关键特征是筑巢，成虫之间的合作，至少覆盖两代群体，以及乘法分工。不具有上述一个或两个特征的昆虫被称为亲社会的，不具有上述所有特征的昆虫被称为独居的（Dietz，1986）。目标优化算法在每次迭代进行局部搜索方面优于遗传算法。然而，目标优化算法会选择一些随机和简单的局部搜索技术（如随机和翻转行走），通过这些技术会降低获得最优解的机会。因此，整体性能可能受到在算法中具有低能力的代理成员的严重影响（Yang等人， 2007年）。人工鱼群算法（AFSA），这是在2003年发展起来的（李，2003），被认为是最好的优化方法在类群智能算法之一。该算法的灵感来自鱼的行为，这是鱼的集体运动。依靠一系列的自然行为，鱼不断地试图保持它们的聚集，因此，建立智能行为。觅食、定居、躲避和面对危险都是在一种社会形式中发生的，群体中所有鱼类之间的接触会产生智能的社会行为。AFSA算法具有融合速度快、简洁、容错、精度高等优点。Monkey Search（Mucherino Seref，2007）是在2007年提出的一种全局搜索算法，灵感来自猴子的行为。猴子有爬树觅食的本领。树枝被表示为给定全局优化任务的两个相邻可行解之间的扰动。猴子爬上爬下，发现并更新这些树枝，从而找到更好的解决方案。猴子搜索能够解决一系列具有挑战性的优化问题，这些问题包含高维特征，不可微性和非线性，收敛速度更快。该算法特别容易实现，因为它具有少量的修改的参数（赵堂2008）。布谷鸟搜索算法是由Xin-she Yang和Suash Deb在2009年创造的另一种优化算法（Yang Deb，2009）。该算法的灵感来自一些杜鹃类通过离开他们的蛋在其他宿主鸟类结果表明，某些寄主鸟类可能会与干扰杜鹃发生争斗。例如，当宿主鸟意识到蛋是其他鸟留下的，然后，宿主鸟把这些奇怪的蛋扔掉，如果它不能把它们扔掉，那么它就会离开它的巢，在其他地方为自己建造一个新的巢以往的CS研究主要集中在离散或连续空间的优化问题尽管如此，在2011年，（Feng et al.，2014年），设计了一种不同的CS结合基于量子的方法来解决背包问题。研究人员常用的另一种重要算法被称为人工蜂群;基本上，该算法有三种类型的蜜蜂;侦察兵，正在探索搜索区域;员工和旁观者，正在利用有 前 途 的 解 决 方 案 。 该 算 法 模 仿 蜜 蜂 寻 找 食 物 来 源 的 行 为（Karaboga，2010）。ABC算法具有很强的局部和全局搜索能力，已被用于求解多个优化问题。但是，它有几个参数具有随机初始化，需要调整。此外-它在局部搜索中采用概率方法（Yuce例如， 2013年）。蝙蝠算法的灵感来自蝙蝠的行为。蝙蝠最重要的行为是导航和狩猎。它们使用普通的声纳进行导航和狩猎。该算法利用这些行为来搜索其猎物（Yang，2010）。该算法易于实现，能够进行局部和全局搜索。它也可以用来解决许多优化问题。尽管如此，它有许多参数可能需要微调（Yuce等人， 2013年）。2012年，Krill Herd（KH）算法被开发出来并被建议用于解决优化问题。KH算法依赖于对磷虾种群的放牧行为测量每只不同磷虾与磷虾群和食物物质的峰值浓度的最小距离，作为运动的运动适应度函数（Gandomi和Alavi，2012）。KH可能无法成功地解决困难的多模态功能，因为它可能无法成功地继续寻找更好的解决方案。 此时，磷虾迁移操作符可以自发启动以再次开始该过程（Wang等人，2014年）。另一种算法是在2014年开发的。该算法取决于一种称为cuttlefish的鱼的颜色变化行为，以确定最佳解决方案。这种鱼很有名，叫做头足类。它有能力改变自己的颜色，要么明显地消失在环境中，要么产生壮观的表演。来自不同细胞层（色素细胞、白细胞细胞和虹膜细胞）的反射光以及某些特定细胞的同时融合将有助于乌贼产生大量的图案和颜色（Eesa例如， 2015年）。此外，灰狼优化器（GWO）作为一种新的元启发式算法在2014年提出，用于解决优化问题。该算法的灵感来自Canis lupus或Grey Wolf。GWO算法模仿了这些类型的首领和跟踪风格狼在他们的环境中。GWO算法使用4种灰狼（alpha、beta、delta和omega）来表示航向.此外，该算法分三个阶段实现狩猎;探索猎物，包围猎物和攻击猎物（Mirjalili Lewis，2014）。GWO是简单的，并不难实现。它具有较少的参数，并且在初始搜索中不需要求导信息。此外，它具有在搜索过程中获得勘探和开发之间的正确稳定性的特殊能力，这导致有利的收敛（Faris等人， 2018年）。2016年，Peraza等人（2016）引入了一种名为模糊和声搜索（FHS）的创造性搜索算法，用于解决优化问题。最近的方法使用模糊逻辑的动态适应的和谐记忆接受。该方法目的是在0. 7 -1的范围这些工作表明了除了使用模糊逻辑策略之外在和声搜索算法中使用固定参数的效果，以便有效地调整参数（Peraza等人， 2016年）。此外，在2017年，当在算法中引入分层算子时，检查了灰狼优化器（GWO）算法的性能（Rodríguez等人，2017年）。新的运营商是层次的，这是受灰太狼的等级社会金字塔的启发该算法应用于狩猎过程中的算法仿真，包含5种不同的变量。5种不同的变体如下：质心、加权等。当使用模糊对数时，变体是最有效的（Rodríguez等人， 2017年）。2017年提出了一种使用模糊逻辑进行帝国主义竞争算法中动态参数自适应的方法（Bernal等人，2017年）。本文首先对ICA算法进行了研究，分析了ICA算法的工作原理和参数选择。A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562565他们对结果更有效。还提出了用于动态调整ICA参数的模糊系统的各种设计（Bernal等人， 2017年）。2018年，提出了一种新的元启发式算法，这是一种基于植物自我防御机制的新的生物启发优化算法（Caraveo，Valdez和Castillo，2018）。自我防御机制和技术是植物保护自己免受捕食者伤害的一种方式。该算法以Lotka和Volterra提出的捕食者-食饵模型为基础基本上，这意味着当植物检测到入侵生物的存在时，它会触发化学物质的排放，以吸引入侵生物的捕食者（Caraveo，Valdez Castillo，2018）。2018年引入的另一种算法被称为新的Meta启发式算法，其灵感来自用于连续优化的汽液平衡（Cortés-Toro et al.， 2018年）。在寻优过程中，激活了多个二元化学体系的汽液平衡态优化问题的每个决策变量表现为二元化学体系中最轻组分的摩尔分数在每一个系统中，平衡都是以不同的速率在两个相反的方向上独立地逐渐改变的。此外，对于每个系统，搜索和评估平衡的最佳热力学条件，以确定解决优化问题的后续在搜索过程中，算法会接受不正确的解这个过程是以一种受控的方式完成的，通过设置一个最小的接受概率来重新启动其他区域的勘探，以防止陷入局部最优解。此外，每个决策变量的范围在搜索期间自动减小（Cortés-Toro等人， 2018年）。最后，在2019年，引入了一种用于动态调整基于积分型2模糊逻辑的元分析中的参数的方法（Olivas等人，2019年）。基于牛顿万有引力定律和加速度定律，采用引力搜索算法（GSA）求解优化问题。然而，与大多数优化算法一样，其参数的适当调整也是一个关键问题.为了克服这个问题，他们使用2型模糊逻辑来进行GSA中的动态参数调整（Olivas等人， 2019年）。上面提到的所有类型的群智能算法的灵感来自于各种动物和昆虫的不同社会行为，用于解决各种优化问题。它的结论是，&蚁群算法是上述算法中非常流行的，它被设计用于解决组合优化问题。它主要用于通过搜索成本或距离方面的最短路径然而，它也有一些局限性，如ACO&这项研究工作激励我们制定一个新的模型，模仿驴的社会行为。新算法的能力进行检查，以解决实际问题，在不同的领域，如网络中的分组路由，救护车路由，旅行推销员的问题，道路选择GPS导航，以及任何领域，涉及搜索和选择最佳的解决方案之间的多个可能的解决方案。处理关键问题需要提供健壮、快速和动态解决方案的算法，因为没有这些解决方案的后果可能是灾难性的。在DSO中，如第6.1节“旅行推销员问题”所述;如果一个人需要在一定数量的城市旅行，而不重复同一个城市，那么每个城市将在每次旅行中访问一次，然后他回到出发城市，我们可以很容易地确定DSO可以提供多快的可靠解决方案。据我们所知，群体智能通常是一个物种之间的合作和交流在我们的工作中，我们正在融合两个物种（驴和走私者）之间的智力，沟通和其中，在算法的非自适应部分中，检查每个可能解的一组属性以确定它们的适应度，然后选择具有最佳适应度的一个作为最佳解。之后，该算法将保持这个最佳的解决方案在其自适应部分使用过程驱动的驴的行为。3. 驴驴子有一系列的行为，在一定程度上，将它们与其他动物区分开来，例如具有良好的记忆力和快速轻松学习的能力（驴子保护区，2017）。《驴子保护区》（The Donkey Sanctuary，2017）指出，学习能力可以像狗或海豚一样强大。这些特点使驴成为多年来国内外走私的头号动物。Díaz（2015）指出，走私者使用马、骡子和驴来进行他们的生意，见Fig. 1 .一、正如Díaz（2015）所解释的那样，走私者骑着马，把他们走私的产品装在驴和骡子上。他还指出，在熟悉的道路上，驴和骡子可以在没有走私者指导的情况下独自旅行。 迪亚兹（2015年）提到了一个发生在下里奥格兰德山谷的故事，那里的军官被一只有天赋的驴激怒了，它可以在晚上独自找到回家的路。过程如下：走私者在白天将动物带入墨西哥，晚上将其装上酒，然后将驴放回家中，处理人员在那里等待它（Díaz，2015）。阿拉伯新闻（2009年）指出的另一种行为是驴被用来在也门和沙特阿拉伯之间走私大麻《阿拉伯新闻》（2009年）报道说，这些驴子是以信鸽的方式训练的《阿拉伯新闻》（2009年）指出，这些驴子在也门的村庄接受训练，走私者穿着沙特边境警察的制服，开始殴打驴子，这样它们就可以在看到这些制服时识别并避开这些制服，即。一旦驴认出制服，它就会改变方向或逃跑，因为正如驴保护区（2017）所述，驴害怕和避免那些给动物带来痛苦或恐惧的人。此外，《阿拉伯新闻》（2009年）提到，驴子经过训练，在预定地点停下来，等待有人把它们卸下来，然后再把它们送回。Fig. 1.在马达加斯加-阿尔及利亚边境，驴子携带汽油罐作为柴油走私的一部分（Tapon，2015年）。566A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562合法负载在该算法中，这种行为被采用在自适应部分，驴的一部分，执行运行动作。例如，如果当前网络路径被丢弃或它不再是最佳路径，则可以执行运行动作以找到新的最佳路径并使用它。此外，驴具有高度的领土特性，这使它们在一些国家被用于保护绵羊和山羊群免受狗，狐狸和狼的伤害（驴保护区，2017; Chan，2014; Imgur，2014）。驯养驴的战斗/防御技术非常简单，因为它们通常单独生活或两人一组（驴保护区，2017）。因此，当驴子处于一种感觉到危险的情况下，逃跑并不总是最好的生存选择。它的战斗/防御行为被触发，他们用它来拯救自己（驴保护区，2017）。另一个区别驴子的行为是自杀，驴子确实会自杀，印度军队提交的一份联合国报告中报告了两起案件。Pubby（2008）指出，这两个案例是驴在被主人残忍对待后自杀。在第一种情况下，一个疲惫的驴子更喜欢被主人打死而不是拖着一辆满载货物的大车穿过市场。在第二个例子中，一头驴子带着装满水的水桶跳进了尼罗河。一头驴子，决定结束他悲惨的生活，奔向尼罗河。当他接近河岸时，他跳入河中，向水流移动，强大的河流的强大水流将它扫到了一个水坟墓，”这份由ShambhuSaran Singh少校撰写的报告说，该报告张贴在联合国特派团。‘‘He(the donkey) was still tethered to the water cart he was pullingwhen he decided to go and drown” (这两种行为被翻译成算法作为面子和自杀行为。在这个行动中，当最佳解决方案不再好时，它会被替换直到它回到理想状态。即如果路由器网络中的最佳路径如果由于路径上的路由器损坏而不再是最佳路径，则此路径将被网络中的次佳路径替换，直到路由器修复。此外，驴子已经证明了超级的行为互相移植 ABC新闻（2017）显示，如图。 2，一头驴试图穿过栅栏，但不能，所以他得到了另一头驴的帮助，后者移走了一块木头来帮助牛群穿过栅栏。此行为用于在算法中创建面部和支持动作。例如，如果最佳解决方案过载，那么我们可以使用第二个最佳解决方案来支持第一个解决方案，而不是放弃解决方案，直到负载减少。在一个真实世界的例子中，这可以被看作是，如果一条道路如果交通挤塞，我们便可以用另一条路分流交通，而不是把所有交通改道。简而言之，驴子的行为是;1. 逃避过去给他们带来痛苦的人或事件。2. 当他们感到危险时就会触发的战斗/防御机制。3. 在困难或需要时互相支持4. 到了忍无可忍的地步，自杀。这些行为与走私者的行为一起4.该算法从上面的内容中，驴的行为可以归纳为以下几点：1. 运行.2. 面子和支持。3. 面子与自杀这些行为已经被转化为我们的算法（见可视化1和2），我们使用走私者和驴的行为来构建一个两部分算法，该算法可以找到最佳解决方案并对任何变化的事件做出反应，以保持最佳解决方案。第一部分：走私者（非适应性）这部分是算法的非自适应部分。这意味着该部件不适应任何更改。在这一部分中，自鸣得意的人会检查从源头到目的地的所有可能的路线，然后他会决定，根据某些测量，如时间，安全和路线的条件，最好的路线将采取和驴子将被发送的基础上，该路线。为了更清楚，让我们考虑以下网络示例，所有路径的参数和特征将被收集并通过算法的走私者部分传递。在走私者部分中，进行适应度计算以找到最佳路由，这取决于不同的因素，如成本、到达目的地所需的时间，即传输速度、带宽、延迟和分组丢失。一旦完成，他会把驴子送到最好的路线上。简而言之，网络运营商将进入图二. 一头驴在另一头驴的帮助下穿过围栏（ABC新闻，2017）。A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562567联系我们f xj<$0ijj<$0ijz¼0izPQz¼0iz参数的每条路径和走私部分，将评估的解决方案，并计算适应度。然后，解决方案将被安排在一个组的基础上，他们的健身价值。最好的解决方案将被设置，驴子将根据该解决方案被发送。第二部分：驴子（适应性）一方面，非自适应路由是非常好的，因为它是简单的，并给出了相对一致的拓扑结构和流量的好结果。另一方面，如果业务量或拓扑结构随时间变化，则其性能较差，因此，开发了该算法的自适应部分。在自适应路由中，决策基于当前网络状态，即拓扑的测量/估计和交通量。如果通信量和拓扑或数据，我们可以使用两个通道来减少拥塞或过载。没有重新计算可能的解决方案群体的适应度流程图1示出了算法的执行。可视化1：DSO算法的伪代码通过第1部分和第2部分进行描述，如下所示。第一部分：走私者开始1. 确定每个解决方案的参数2. 使用等式（1）计算每个可能解的适应度：JXJXðiÞ ¼PZX QZx这些变化之一，将作出反应，以避免失去路径或避免发生延迟。这种反应将基于驴子这是如何完成的，一旦用户输入了每个解决方案的参数，将计算出最佳解决方案。这将在算法的第一部分中完成，在非自适应部分中，路由表将作为静态表处理然后，将发送阻塞数据包（或任何其他流量控制每次通过阻塞包更新表时，将再次计算最佳解决方案以更新它。这个阻塞包部分将用作拥塞检测，我们试图修复并避免丢失路径。当阻塞包的结果表明最佳解决方案的适应度下降或其适应度不再好（另一个解决方案现在具有更高的适应度）时，将执行以下操作之一1. 运行：改变路径到另一个最好的一个（最好的解决方案）当最好的解决方案，已确定在非-算法的自适应部分不再是最好的，它将是删除，并根据新的更改设置新的最佳解决方案。2. 面子和自杀：修正我们正在使用的路径（优化最佳解决方案）。同时，丢弃电流路径并使用另一个最佳解决方案，同时修复阻塞的解决方案，是没有重新计算的适应性的可能的解决方案的人口。如果在算法的第一部分中设置的最佳解由于影响其适应性的任何变化而不再是最佳的，则我们希望保持该路径。然后我们可以放弃这个解，直到它回到理想状态，在此之前，我们可以使用解集中的次优解。3. 面对和支持：当拥挤或超载的迹象开始出现在走私者设置的最佳解决方案中时，我们可以通过分配解决方案集中的第二个最佳解决方案来执行与最佳解决方案相同的任务，直到拥挤或超载的迹象消失，以避免放弃解决方案。即代替使用一个信道来发送和接收其中xij是可能解;i是可能j是每个可能解的成正比的参数的数量，z是每个可能解的成正比的参数的数量。分子保持成正比的参数，分母保持成正比的参数。3.选择最好的解决方案，并发送驴子。端第二部分：驴开始1. 使用确定的溶液。2. 根据适应度评估当前解决方案（在适应度改变事件的情况下，继续运行适应度函数以找到更好的解决方案）。3. 如果是：（有过敏迹象1-运行：重新评估可能的解决方案群体的适应度，并更新最佳解决方案。2. 面子和自杀：使用下面的公式，我们可以确定第二个解决方案，可以用作最佳解决方案。没有对可能的解决方案群体的适应性进行重新评估最佳自杀解决方案f xif最佳解决方案（2）其中i是可能解的个数最佳解的适应度是解群中最小的一个，因此，我们从可能解的适应度中减去最佳解的适应度，给出最小差异的那个被认为是新的最佳解。3. 面对和支持：当最佳解决方案成为过载时，使用次优解来支持它（两个解将用于相同的目的），直到原来的最优解恢复正常状态。没有对可能的解决方案群体的适应性进行重新评估。第二个最佳解决方案-fxi（3）最佳支持解决方案最佳解决方案第二最佳解决方案（4）等式（3）将通过从最佳解的适合度中减去可能解的适合度来确定哪个解被用作次佳解。 然后，在等式（4）中，我们将最佳解决方案与次佳解决方案结合，以生成使用两条路径执行一项任务的最佳支持解决方案。端（一）568A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562n .XXHi1iX..pnn2446 2Xfxx16我111131212！2XYn n下面的Visual 2显示了DSO的进一步实现细节可视化2：DSO算法的实现细节1：读取输入数据：[判定变量范围]，n1，n2f2xjxijxi6联系我们Schwefel1.2：n？解决方案矩阵的维度（逐列）走私者部分2：随机f3×10×10Xi¼1I2XJ第1页ð7Þ第三章：对于行= 1到n14：对于col = 1至n2广义Rosenbrock5：parameters（row，col）= randi（[decisionvariable ranges]，n1，n2）6：结束f4×104n-11/1100x-x22þðxi-1Þið8Þ7：结束8：对于（e = 1至n1），9：评估每个解的适应度（等式1）10：更新可能解的群体11：结束十二：设置最佳解决方案13：展示最佳解决方案14：将最佳解决方案传递给驴部分驴部15：评估适应性是否发生变化多模态测试功能：广义施韦费尔nf5x-xi sinjxij1/1广义Rastriginfxxx2-10 cos2pxi 10101/116：如果最佳解的适应度变化较小十七：运行：更新最佳解决方案（公式2）十八日：面对自杀：设置与第二个最好Ackley0vu1Xn 12.1Xn！解决方案群体中的适应度是最佳解决方案。19：面对自杀：使用具有群体中第二好适应度的解决方案来支持最佳解决方案，即f7mmx1/4-20exp@-0：2tn1/1xiA-expni¼1Cosmetic2pxi2019年12月20日ð11Þ它们将用于相同的目的。(no更新对于群体适应度）（等式3和4）广义Griewank20：如果1X2Y. xif8x10001/1xi-1/1cos北溪þ 1 ð12Þ5. 绩效评价具有固定尺寸的多模态测试功能：六峰骆驼背功能：1F1000x1001x2-4x1x 2xð13Þ我们已经用来评估DSO的性能以及所获得的结果。5.1. 基准函数Goldstein价格函数：f1 3x1h1x1x212.19-14x13x2-14x26x1x23x2i我们使用了10个基准函数来测试性能h30mm2x1-3x 2mm2。18-32x1英寸12x2英寸48x2-36x1x2英寸27x2英寸新提出的算法。所使用的基准函数被划分为以下四个单峰函数，Eqs.（5）在这些函数中，随着维数的增加，局部最小值的数量呈指数增加，这使得它们对于优化来说是最小的。5.2. 结果1 2ð14Þ算法，一个具有挑战性的问题（Cortés-Toro等人，2018年）。此外，我们使用了两个固定维度的多峰函数Eqs。（13）和（14）。多峰函数显示了从局部最优开始并在搜索空间的不同部分中进行搜索的能力，这使得它们非常重要（Cortés-Toro等人，2018年）。使用的维数为D = 30。所有这些函数的最小值以及相应的解在下面的表1中给出此外，Fig. 图3和图4显示了我们评估中使用的第一组基准函数的3D视图（见图4）。 5）。单峰测试函数：球函数：n在本节中，我们将展示DSO获得的结果，并将其与VLE、PSO、GSA、DE和WOA的已发表结果进行比较（Cortés-Toro等人，2018年）。所有的基准函数都是用MATLAB实现的，DSO的参数是根据每个函数的取值范围随机选取的在表2中，我们显示了通过DSO获得的每个基准函数的平均适应度（AVG）和相应的标准差（StdDev）与通过其他算法获得的平均适应度（AVG）和相应的标准差（StdDev）之间的比较。从表2所示的数据中，我们可以注意到，DSO表现出非常有竞争力的结果，并成功地竞争。5.3. 比较研究2我1/1Schwefel2.22：ð5Þ表3显示，一般而言，DSO的全球平均性能为3.3，等级为1n在本节中，我们将介绍2A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562569没如果更改事件是面子与自杀要么最佳解决方最佳解决方端最佳解决方使用适应度函数进行运行面部和支撑使用适应度函数进行走私者（非适应性）流程图1. 算法的执行六是最坏的这个排名考虑到DSO排名第一两次，第二三次，第三次，第四次和第六次三次。此外，按基准函数类型的排名如下：● 单峰函数：2.5● 多模式功能：2.75● 具有固定维数的多模态测试函数：6此外，如果将DSO的全局平均性能四舍五入到最接近的整数，如（Cortés-Toro et al.，2018）illustration，那么DSO在六个算法和评估的十个基准函数中排名第三。简而言之，正如（Cortés-Toro et al.，2018）指出，没有算法可以对所有优化问题执行最佳。有些算法在某些问题上会表现得很好，而其他算法的表现则不如该算法。6. 应用一般来说，该算法可以用于任何涉及确定如前所述的多个可能的解决方案中的最佳解决方案的领域。我们已经模拟的问题是旅行商问题，分组路由和救护车路由。6.1. 旅行商问题旅行商问题（TSP）是组合优化新技术的著名基准之一最佳解决方案adaptive（适应性）开始570A.S. Shamsaldin et al./ Journal of Computational Design and Engineering 6（2019）562表1为基准函数报告的最优值，以及它们相应的解和搜索子集（Cortés-Toro等人， 2018年）。BenFun SeaSub Opt Solf1（X）[-100，100 <$30 0 [0]30f2（X）[-10，10 <$30 0 [0]30f3（X）[-100，100 <$30 0 [0]30f4（X）[-30，30 <$30 0 [1]30f5（X）[-500，500 30-12，569.487 [420.9687]30f6（X）[-5.12，5.12 <$30 0 [0]30f7（X）[-32，32 <$30 0 [0]30f8（X）[-600，600 <$30 0 [0]30f9（X）不适用f10（X）不适用f11（X）[-5，5 2-1.0316285（0.08983，-