دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 8 3 2019 09 23 Gravitational Search Algorithm with Nearest-Better Neighborhood for Multimodal Optimization Problems الگوریتم جستجوی گرانشی با همسایگی نزدیکترین-بهتر برای حل مسائل بهینه‌سازی چندمُدی 10 19 91720 FA محمدباقر دولتشاهی استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه لرستان، خرم آباد، ایران. ولی درهمی دانشیار گروه کامپیوتر دانشگاه یزد حسین نظام آبادی پور استاد، دانشکده فنی و مهندسی، گروه مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران. Journal Article 2017 08 24 Gravitational Search Algorithm (GSA) is a simple and efficient optimization method recently proposed for solving single-objective optimization problems. In this paper, for the first time, the nearest-better neighborhoods are defined in swarm intelligence algorithms and then used in the GSA to solve multi-modal optimization problems. For this purpose, two neighborhoods are defined, called Topological Nearest-Better (TNB) and Distance-based Nearest-Better (DNB), and then these two structures are used separately in the GSA and two different versions of the GSA for multi-modal optimization problems are provided. To investigate the efficiency of the proposed algorithms, an empirical assessment has been performed on several standard multi-modal benchmark functions. The results of these experiments show that the proposed algorithms can achieve good results compared to other multi-modal optimizer algorithms. الگوریتم جستجوی گرانشی، یک روش بهینه‌­سازی ساده و کارامد است که اخیرا برای حل مسائل بهینه‌­سازی تک هدفه ارائه شده است. در این مقاله، برای اولین بار ساختار همسایگی نزدیکترین-بهتر در الگوریتم‌­های هوش جمعی تعریف شده و سپس در الگوریتم جستجوی گرانشی برای حل مسائل بهینه‌­سازی چندمُدی استفاده شده است. برای این منظور، ابتدا دو ساختار همسایگی "نزدیکترین-بهتر توپولوژیکی" و "نزدیکترین-بهتر مبتنی بر فاصله" تعریف شده، سپس این دو ساختار به طور مجزا در الگوریتم جستجوی گرانشی استفاده شده و دو نسخه‌­ی مختلف از الگوریتم جستجوی گرانشی برای حل مسائل بهینه‌سازی چندمُدی ارائه می‌شود. برای بررسی کارایی الگوریتم‌های پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک چندمُدی استاندارد صورت گرفته است. نتایج این آزمایشات نشان می‌دهد که الگوریتم‌های پیشنهادی می‌توانند نتایج خوبی نسبت به سایر الگوریتم‌های بهینه‌ساز چندمُدی به دست آورند. https://jscit.nit.ac.ir/article_91720_baa7a4e2e9a50e7bc346d4c2bdce46d3.pdf