Key points are not available for this paper at this time.
تعاني خوارزمية تحسين الكواتي التي تم تقديمها مؤخرًا من عيوب مثل بطء سرعة البحث وضعف دقة التحسين. تم اقتراح خوارزمية تحسين الكواتي المعززة المسماة CMRLCCOA. أولاً، يتم استخدام دالة خريطة الفوضى للجيب لتهيئة CMRLCCOA كطريقة للحصول على مجموعات كواتي عالية الجودة وزيادة تنوع المجموعة. ثانيًا، يتم تحديث الحلول المرشحة التي تم إنشاؤها مرة أخرى باستخدام استراتيجية تعلم عكسي العدسة المحدبة لتوسيع نطاق البحث. ثالثًا، تزيد استراتيجية حركة ليفي من حجم خطوة البحث، وتوسع نطاق البحث، وتجنب ظاهرة التقارب المبكر جدًا. أخيرًا، يمكن أن تقلل الاستراتيجية التبادلية بشكل فعال من البقع العمياء في البحث، مما يجعل جزيئات البحث قريبة باستمرار من الحل الأمثل العالمي. تعمل الاستراتيجيات الأربعة معًا لتعزيز كفاءة COA وزيادة الدقة والثبات. تم تقييم أداء CMRLCCOA على CEC2017 و CEC2019. تم إثبات تفوق CMRLCCOA بصورة شاملة من خلال مقارنة مخرجات CMRLCCOA مع الخوارزميات المقدمة سابقًا. بالإضافة إلى نتائج منحنيات التقارب التكرارية، توضح الرسوم البيانية والتحليل الإحصائي غير المعلمي أن CMRLCCOA تنافسية، وتحسن بشكل كبير دقة التقارب، وتتجنب الحلول المثلى المحلية بشكل جيد. أخيرًا، تم إثبات أداء وفائدة CMRLCCOA من خلال ثلاثة مشكلات تطبيقية هندسية. تم تطوير نموذج رياضي لمشكلة تحسين مسار رحلة المركبة الفرط صوتية. كانت نتيجة CMRLCCOA أقل من خوارزميات المقارنة الأخرى وتم الحصول على أقصر طول مسار لهذه المشكلة.
درس هو وزملاؤه (Mon,) هذا السؤال.