جستجوی میمونی: یک جستجوی فراابتکاری جدید برای بهینه‌سازی جهانی

ما یک جستجوی فراابتکاری جدید برای بهینه‌سازی جهانی را پیشنهاد می‌کنیم که از عمل بالا رفتن میمون از درخت برای یافتن غذا الهام گرفته شده است. شاخه‌های درخت به عنوان انحرافات بین دو راه‌حل امکان پذیر مجاور از مساله بهینه‌سازی جهانی در نظر گرفته می‌شوند. در نظر گرفتن اعمال میمون و بررسی این شاخه‌ها به راه‌حل‌های خوبی منجر می‌شود. یک انتخاب گسترده از اختلالات و انحرافات می‌تواند براساس دیگر روش‌های فراابتکاری برای بهینه‌سازی جهانی، اعمال شود. ما نشان می‌دهیم که جستجوی میمون در مقایسه با دیگر روش‌های فراابتکاری برای بهینه‌سازی خوشه‌های لنارد – جونز و مورس و برای شبیه‌سازی مولکول‌های پروتئینی مبتنی بر یک مدل هندسی برای تاخوردگی (فولدینگ) پروتیین، رقابتی است.

We propose a novel metaheuristic search for global optimization inspired by the behavior of a monkey climbing trees looking for food. The tree branches are represented as perturbations between two neighboring feasible solutions of the considered global optimization problem. The monkey mark and update these branches leading to good solutions as it climbs up and down the tree. A wide selection of perturbations can be applied based on other metaheuristic methods for global optimization. We show that Monkey Search is competitive compared to the other metaheuristic methods for optimizing Lennard‐Jones and Morse clusters, and for simulating protein molecules based on a geometric model for protein folding.