Comme les algorithmes d'optimisation ont un grand pouvoir pour résoudre des problèmes d'optimisation non linéaires, complexes et difficiles, les algorithmes inspirés de la nature ont été largement appliqués dans des domaines distincts afin de résoudre des cas d'optimisation réels. Dans cet article, des modifications pour l'algorithme GSK (Gaining-Sharing-Knowledge based algorithm) récemment proposé sont présentées pour améliorer ses performances. L'algorithme Gaining-Sharing-Knowledge est considéré comme un exemple parfait d'algorithme moderne inspiré de la nature qui considérait le comportement de la vie humaine comme une source d'inspiration afin de résoudre les problèmes d'optimisation. L'algorithme GSK imite le phénomène naturaliste d'acquisition et de partage des connaissances chez l'être humain à travers deux phases majeures : la phase junior et la phase senior. La phase junior est basée sur la génération d'un ensemble de solutions initiales (juniors) pour démarrer le processus de recherche. Par la suite, toutes les personnes passent à la phase senior grâce à l'interaction avec l'environnement et à la coopération avec d'autres personnes tout au long du processus de recherche. L'idée principale de ce travail présenté est d'étendre et d'améliorer l'algorithme GSK original en proposant une nouvelle idée pour obtenir de manière adaptative les valeurs des deux paramètres de contrôle significatifs dans GSK : le facteur de connaissance et le ratio de connaissance. Ces deux paramètres importants ont la responsabilité de contrôler l'acquisition et le partage des connaissances pendant les phases junior et senior tout au long du processus d'optimisation. De plus, un schéma adaptatif est présenté pour contrôler le taux de connaissances afin de simuler l'expérience acquise et partagée tout au long de la vie de l'être humain pour une population spécifique en tenant compte de la nature diversifiée de toute population. Une réduction non linéaire de la taille de la population est utilisée pour améliorer les performances de l'algorithme GSK. Enfin, une valeur initiale plus grande de la taille initiale de la population (NP) pour toutes les dimensions est appliquée. L'algorithme présenté (APGSK) est testé sur un banc d'essai de référence très récent sur l'optimisation numérique contrainte liée qui se compose de problèmes d'optimisation difficiles distincts avec différentes dimensions. L'algorithme présenté (APGSK) a montré une performance supérieure par rapport au GSK d'origine et aux quatre autres algorithmes de pointe et aux gagnants du concours CEC2020.

Como los algoritmos de optimización tienen un gran poder para resolver problemas de optimización no lineales, complejos y difíciles, los algoritmos inspirados en la naturaleza se han aplicado ampliamente en distintos campos para resolver casos de optimización de la vida real. En este documento, se presentan modificaciones para el algoritmo basado en Gaining-Sharing-Knowledge (GSK) recientemente propuesto para mejorar su rendimiento. El algoritmo Gaining-Sharing-Knowledge se considera un ejemplo perfecto del algoritmo moderno inspirado en la naturaleza que consideraba el comportamiento de la vida humana como una fuente de inspiración para resolver problemas de optimización. El algoritmo GSK imita el fenómeno naturalista de adquirir conocimientos y compartir conocimientos en el ser humano a través de dos fases principales: la fase junior y la fase senior. La fase junior se basa en generar un conjunto de soluciones iniciales (juniors) para iniciar el proceso de búsqueda. Posteriormente, todas las personas pasan a la fase superior a través de la interacción con el entorno circundante y la cooperación con otras personas a lo largo del proceso de búsqueda. La idea principal en este trabajo presentado es ampliar y mejorar el algoritmo original de GSK a través de proponer una nueva idea para obtener de forma adaptativa los valores de los dos parámetros de control significativos en GSK: el factor de conocimiento y la relación de conocimiento. Esos dos parámetros significativos tienen la responsabilidad de controlar la adquisición y el intercambio de conocimientos durante las fases junior y senior a lo largo del proceso de optimización. Además, se presenta un esquema adaptativo para controlar la tasa de conocimiento con el fin de simular la adquisición y el intercambio de experiencias a lo largo de la vida del ser humano para una población específica teniendo en cuenta la naturaleza diversa de cualquier población. Se utiliza una reducción no lineal para el tamaño de la población para mejorar el rendimiento del algoritmo GSK. Finalmente, se aplica un valor inicial más grande del tamaño inicial de la población (NP) para todas las dimensiones. El algoritmo presentado (APGSK) se prueba en un banco de pruebas de referencia muy reciente sobre optimización numérica limitada que se compone de distintos problemas de optimización desafiantes con diferentes dimensiones. El algoritmo presentado (APGSK) mostró un rendimiento superior en comparación con el GSK original y con otros cuatro algoritmos de última generación y los ganadores de la competencia CEC2020.

As optimization algorithms have a great power to solve nonlinear, complex, and hard optimization problems, nature-inspired algorithms have been applied extensively in distinct fields in order to solve real life optimization cases. In this paper, modifications for the recently proposed Gaining-Sharing-Knowledge based algorithm (GSK) are presented for enhancing its performance. Gaining-Sharing-Knowledge algorithm is considered as a perfect example of modern nature-inspired algorithm that considered the human life behavior as a source of inspiration in order to solve optimization problems. GSK algorithm mimics the naturalistic phenomenon of gaining knowledge and sharing knowledge back in human being through two major phasis: junior phase and senior phase. The junior phase is based on generating a set of initial solutions (juniors) to start the search process. Subsequently, all individuals move to the senior phase through the interaction with the surrounding environment and the cooperation with other individuals throughout the search process. The main idea in this presented work is extending and improving the original GSK algorithm through proposing a new idea for adaptively obtain the values for the two significant control parameters in GSK: the knowledge factor and the knowledge ratio. Those two significant parameters have the responsibility of controlling the gaining and sharing knowledge during the junior and senior phases throughout the optimization process. Moreover, an adaptive scheme is presented to control the knowledge rate in order to simulate the gaining and sharing experience throughout the human being life span for a specific population by taking into consideration the diverse nature of any population. a non-linear reduction for the population size is used to improve the GSK algorithm's performance. Finally, a larger initial value of the initial population size (NP) for all dimensions are applied. The presented algorithm (APGSK) is tested on a very recent benchmark testbed on bound constrained numerical optimization that composed of distinct challenging optimization problems with different dimensions. The presented algorithm (APGSK) showed a superior performance comparing with the original GSK and with other four state-of-the-arts algorithms and the winners of CEC2020 competition.

نظرًا لأن خوارزميات التحسين تتمتع بقوة كبيرة لحل مشكلات التحسين غير الخطية والمعقدة والصعبة، فقد تم تطبيق الخوارزميات المستوحاة من الطبيعة على نطاق واسع في مجالات متميزة من أجل حل حالات تحسين الحياة الحقيقية. في هذه الورقة، يتم تقديم تعديلات على الخوارزمية القائمة على اكتساب المعرفة (GSK) المقترحة مؤخرًا لتعزيز أدائها. تعتبر خوارزمية اكتساب - مشاركة - معرفة مثالًا مثاليًا للخوارزمية الحديثة المستوحاة من الطبيعة والتي تعتبر سلوك الحياة البشرية مصدرًا للإلهام من أجل حل مشاكل التحسين. تحاكي خوارزمية GSK الظاهرة الطبيعية لاكتساب المعرفة ومشاركة المعرفة مرة أخرى في الإنسان من خلال مرحلتين رئيسيتين: المرحلة المبتدئة والمرحلة العليا. تعتمد مرحلة المبتدئين على توليد مجموعة من الحلول الأولية (المبتدئين) لبدء عملية البحث. بعد ذلك، ينتقل جميع الأفراد إلى المرحلة العليا من خلال التفاعل مع البيئة المحيطة والتعاون مع الأفراد الآخرين طوال عملية البحث. الفكرة الرئيسية في هذا العمل المقدم هي توسيع وتحسين خوارزمية جلاكسو سميث كلاين الأصلية من خلال اقتراح فكرة جديدة للحصول على قيم متغيري التحكم المهمين في جلاكسو سميث كلاين: عامل المعرفة ونسبة المعرفة. يتحمل هذان المعلمان المهمان مسؤولية التحكم في اكتساب المعرفة ومشاركتها خلال المرحلتين الصغرى والعليا طوال عملية التحسين. علاوة على ذلك، يتم تقديم مخطط تكيفي للتحكم في معدل المعرفة من أجل محاكاة اكتساب الخبرة ومشاركتها طوال فترة حياة الإنسان لسكان معينين من خلال مراعاة الطبيعة المتنوعة لأي مجموعة سكانية. يتم استخدام تخفيض غير خطي لحجم السكان لتحسين أداء خوارزمية GSK. أخيرًا، يتم تطبيق قيمة أولية أكبر لحجم السكان الأولي (NP) لجميع الأبعاد. يتم اختبار الخوارزمية المقدمة (APGSK) على أساس اختبار معياري حديث جدًا على التحسين العددي المقيد المقيد الذي يتكون من مشاكل تحسين صعبة متميزة ذات أبعاد مختلفة. أظهرت الخوارزمية المقدمة (APGSK) أداءً فائقًا مقارنةً بخوارزمية GSK الأصلية ومع الخوارزميات الأربعة الأخرى الحديثة والفائزين في مسابقة CEC2020.