Cet article propose un nouvel algorithme d'optimisation méta-heuristique, à savoir l'algorithme de l'anneau de boue (ARM) qui imite le comportement d'alimentation de l'anneau de boue des dauphins à gros nez sur la côte atlantique de la Floride. L'inspiration de l'ARM est principalement basée sur le comportement de recherche de nourriture des dauphins à gros nez et leur stratégie d'alimentation en anneau de boue. Cette stratégie est appliquée par les dauphins pour piéger les poissons en créant un panache par un seul dauphin déplaçant rapidement sa queue dans le sable et nageant autour du groupe de poissons. Les poissons deviennent désorientés et sautent à la surface pour trouver les bouches d'attente des dauphins. L'algorithme d'optimisation de l'ARM simule mathématiquement cette stratégie d'alimentation et prouve son efficacité d'optimisation par une comparaison complète avec d'autres algorithmes méta-heuristiques. Vingt-neuf fonctions de référence et quatre défis d'ingénierie de référence couramment utilisés sont utilisés dans la comparaison. Les comparaisons statistiques et les résultats prouvent que l'ARM proposé a la supériorité pour traiter ces problèmes d'optimisation et peut obtenir les meilleures solutions que les autres optimiseurs méta-heuristiques.

Este artículo propone un nuevo algoritmo de optimización metaheurística, el Algoritmo del Anillo de Lodo (MRA), que imita el comportamiento de alimentación del anillo de lodo de los delfines nariz de botella en la costa atlántica de Florida. La inspiración de MRA se basa principalmente en el comportamiento de forrajeo de los delfines nariz de botella y su estrategia de alimentación en anillo de barro. Los delfines aplican esta estrategia para atrapar peces mediante la creación de una pluma por un solo delfín que mueve su cola rápidamente en la arena y nada alrededor del grupo de peces. Los peces se desorientan y saltan sobre la superficie solo para encontrar las bocas de espera de los delfines. El algoritmo de optimización de MRA simula matemáticamente esta estrategia de alimentación y demuestra su eficacia de optimización a través de una comparación exhaustiva con otros algoritmos metaheurísticos. En la comparación se utilizan veintinueve funciones de referencia y cuatro desafíos de ingeniería de referencia de uso común. Las comparaciones estadísticas y los resultados demuestran que el ARM propuesto tiene la superioridad en el tratamiento de estos problemas de optimización y puede obtener las mejores soluciones que otros optimizadores metaheurísticos.

This paper proposes a new meta-heuristic optimization algorithm, namely Mud Ring Algorithm (MRA) that mimics the mud ring feeding behaviour of bottlenose dolphins in the Atlantic coast of Florida. The inspiration of MRA is mainly based on the foraging behaviour of bottlenose dolphins and their mud ring feeding strategy. This strategy is applied by dolphins to trap fish via creating a plume by a single dolphin moving his tail swiftly in the sand and swims around the group of fish. The fishes become disoriented and jump over the surface only to find the waiting mouths of dolphins. MRA optimization algorithm mathematically simulates this feeding strategy and proves its optimization effectiveness through a comprehensive comparison with other meta-heuristic algorithms. Twenty-nine benchmark functions and four commonly used benchmark engineering challenges are used in the comparison. The statistical comparisons and results prove that the proposed MRA has the superiority in dealing with these optimization problems and can obtain the best solutions than other meta-heuristic optimizers.

تقترح هذه الورقة خوارزمية تحسين استدلالية جديدة، وهي خوارزمية حلقة الطين (MRA) التي تحاكي سلوك تغذية حلقة الطين لدلافين القارورة في الساحل الأطلسي لفلوريدا. يعتمد إلهام MRA بشكل أساسي على سلوك البحث عن الطعام للدلافين ذات الأنف القاروري واستراتيجية التغذية بحلقات الطين الخاصة بها. يتم تطبيق هذه الاستراتيجية من قبل الدلافين لاحتجاز الأسماك عن طريق إنشاء عمود من قبل دلفين واحد يحرك ذيله بسرعة في الرمال ويسبح حول مجموعة من الأسماك. تصبح الأسماك مشوشة وتقفز فوق السطح فقط لتجد أفواه الدلافين المنتظرة. تحاكي خوارزمية تحسين MRA رياضياً استراتيجية التغذية هذه وتثبت فعاليتها المثلى من خلال مقارنة شاملة مع الخوارزميات الاستدلالية التلوية الأخرى. يتم استخدام تسعة وعشرين وظيفة مرجعية وأربعة تحديات هندسية مرجعية شائعة الاستخدام في المقارنة. تثبت المقارنات الإحصائية والنتائج أن MRA المقترح لديه التفوق في التعامل مع مشاكل التحسين هذه ويمكنه الحصول على أفضل الحلول من المحسنات الاستدلالية التلوية الأخرى.