Constraint Handling in Cohort Intelligence Algorithm (Advances in Metaheuristics)

مسائل حوزه مهندسی مکانیک عموماً پیچیده هستند و متشکل از متغیرها و محدودیت‌های طراحی متفاوتی هستند. این مشکلات ممکن است با استفاده از تکنیک های بهینه سازی مبتنی بر گرادیان حل نشوند. تکنیک‌های بهینه‌سازی الهام‌گرفته از طبیعت تصادفی در این کتاب برای مدیریت مؤثر مسائل پیچیده پیشنهاد شده‌اند. الگوریتم‌های الهام‌گرفته از طبیعت به‌عنوان الگوریتم‌های الهام‌گرفته از زیست، ازدحام، و الگوریتم‌های مبتنی بر فیزیک/شیمیایی طبقه‌بندی می‌شوند.

Socio-Inspired یکی از زیر دامنه‌های الگوریتم‌های الهام‌گرفته از زیست و مدل‌های هوش کوهورت (CI) است. تمایلات اجتماعی نامزدهای یادگیری با هدف ذاتی برای دستیابی به بهترین موقعیت ممکن. در این کتاب، CI با حل ده مسئله ساختاری خرپایی متغیر گسسته، یازده مسئله مهندسی طراحی متغیر مختلط، هفده مسئله آزمون محدود خطی و غیرخطی و دو کاربرد دنیای واقعی از حوزه تولید بررسی شده است. تابع مجازات ایستا (SPF) نیز برای رسیدگی به محدودیت‌های خطی و غیرخطی استفاده می‌شود و محدودیت‌ها در رویکردهای CI و SPF مورد بررسی قرار می‌گیرند.

کنترل محدودیت در الگوریتم هوش گروهی یک مرجع ارزشمند برای دست اندرکاران شاغل در صنعت و همچنین دانشجویان و محققان در زمینه روش های بهینه سازی است.

Mechanical Engineering domain problems are generally complex, consisting of different design variables and constraints. These problems may not be solved using gradient-based optimization techniques. The stochastic nature-inspired optimization techniques have been proposed in this book to efficiently handle the complex problems. The nature-inspired algorithms are classified as bio-inspired, swarm, and physics/chemical-based algorithms.

Socio-inspired is one of the subdomains of bio-inspired algorithms, and Cohort Intelligence (CI) models the social tendencies of learning candidates with an inherent goal to achieve the best possible position. In this book, CI is investigated by solving ten discrete variable truss structural problems, eleven mixed variable design engineering problems, seventeen linear and nonlinear constrained test problems and two real-world applications from manufacturing domain. Static Penalty Function (SPF) is also adopted to handle the linear and nonlinear constraints, and limitations in CI and SPF approaches are examined.

Constraint Handling in Cohort Intelligence Algorithm is a valuable reference to practitioners working in the industry as well as to students and researchers in the area of optimization methods.