فرا اکتشافی نسل بعدی: الگوریتم جگوار

الگوریتم های فراابتکاری برای حل مسائل بهینه‌سازی اجرا می‌شوند و اخیرا توجه تحقیقاتی قابل‌توجهی را به خود جلب کرده‌اند. الگوریتم های فراابتکاری عمدتا بر دو ویژگی، اکتشاف و بهره‌برداری تکیه دارند. الگوریتم های فراابتکاری سنتی از وزن‌های بسیاری (‏پارامترها)‏برای تعادل این دو ویژگی برای افزایش شانس یافتن راه‌حل بهتر در هزینه و زمان محدود استفاده می‌کنند. با این حال، الگوریتم‌های سنتی مشکلاتی دارند. اکتشاف و بهره‌برداری توانایی‌های مختلفی دارند و یکدیگر را محدود می‌کنند، بنابراین الگوریتم های سنتی به پارامترها و هزینه‌های زیادی برای رسیدن به تعادل نیاز دارند، و همچنین باید پارامترها را برای مسائل بهینه‌سازی مختلف تنظیم کنند. الگوریتم جگوار (‏JA)‏توانایی زیادی هم در بهره‌برداری و هم در اکتشاف دارد، که برای رسیدگی به این مسائل پیشنهاد شده‌است. اول، JA تلاش می‌کند تا راه‌حل بهینه را در ناحیه جستجوی تعیین‌شده پیدا کند. سپس از اطلاعات تاریخی برای پرش به یک منطقه بهتر استفاده می‌کند. بنابراین JA می‌تواند موقعیت بهینه جهانی را تعیین کند. JA با این ویژگی‌ها به بهره‌برداری و اکتشاف قوی دست می‌یابد.

Metaheuristic algorithms are implemented to solve optimization problems and have recently received significant research attention. Metaheuristic algorithms rely primarily on two properties, exploration, and exploitation. Traditional metaheuristic algorithms use many weights (parameters) to balance these two properties to increase the chance of finding a better solution in limited cost and time. However, traditional algorithms have some problems. Exploration and exploitation are different abilities and restrict each other, therefore, traditional algorithms need many parameters and lots of costs to achieve the balance, and also need to adjust parameters for different optimization problems. Jaguar Algorithm (JA) has great abilities both in exploitation and exploration, is proposed to address these issues. First, JA attempts to find the optimal solution in the designated search area. It then uses history information to jump to a better area. JA can, therefore, determine the position of the