Improved Frog Leaping Algorithm Using Cellular Learning Automata

در اين مقاله يك الگوريتم جديد كه از تركيب اتوماتاي يادگير سلولي و الگوريتم جهش قورباغه ها (SFLA) حاصل مي شود، براي بهينه-سازي در محيط هاي پيوسته و ايستا، پيشنهاد مي-گردد. در الگوريتم پيشنهادي هر ممپلكس از قورباغه ها در يك سلول از اتوماتاي يادگير سلولي قرار مي گيرند. اتوماتاي يادگير موجود در هر سلول به عنوان مغز متفكر ممپلكس عمل مي كند و استراتژي حركت وجستجو را تعيين مي-كند. الگوريتم پيشنهادي به همراه SFLA استاندارد و دو نسخه سراسري و محلي الگوريتم بهينه سازي دسته ذرات در فضاي 30 بُعدي بر روي پنج تابع شايستگي استاندارد آزمايش شده اند. نتايج آزمايشات نشان مي دهند كه الگوريتم پيشنهادي از كارايي بسيار مناسبي برخوردار است.

In this paper, a new algorithm which is the result of combination of cellular learning automata (CLA) and shuffled frog leap algorithm (SFLA) is proposed for optimization of functions in continuous, static environments. In the frog leaping algorithm, every frog represents a feasible solution within the problem space. In the proposed algorithm, each memeplex of frogs is placed in a cell of CLA. Learning automata in each cell acts as the brain of memeplex and will determine the strategy of motion and search.The proposed algorithm along with the standard SFLA and two global and local versions of particle swarm optimization algorithm have been tested in 30-dimensional space on five standard merit functions. Experimental results show that the proposed algorithm has a performance of the introduced algorithm is due to the control of search behavior of frogs during the optimization process