L'algorithme Salp Swarm (SSA) surpasse les algorithmes bien connus tels que les optimiseurs d'essaim de particules et les optimiseurs de loup gris dans les défis d'optimisation complexes. Cependant, comme la plupart des algorithmes méta-heuristiques, SSA souffre d'une convergence lente et d'une stagnation dans la meilleure solution locale. Dans cette étude, un algorithme Salp Swarm (SSA) est combiné à un opérateur d'échappement local (LEO) pour surmonter certaines limitations inhérentes à l'original SSA.SSALEO est une nouvelle technique de recherche qui tient compte de la diversité de la population, du déséquilibre entre l'exploitation et l'exploration, et de la prématurité de l'algorithme SSA convergence.En implémentant LEO dans SSALEO, le ralentissement de la recherche dans SSA est éliminé et l'efficacité de la recherche locale des agents Swarm est améliorée.La méthode SSALEO proposée est testée en utilisant le benchmark CEC 2017 avec 50 et 100 variables de décision, sept fonctions de test CEC2008lsgo avec 200, 500 et 1000 variables de décision, et ses performances ont été comparées à d'autres algorithmes métaheuristiques (MA) et algorithmes avancés, y compris sept variantes d'essaim de Salp.Les comparaisons montrent que SSA bénéficie grandement de LEO en améliorant la qualité et en accélérant le taux de convergence de ses solutions.Le SSALEO était alors évalué à l'aide d'un ensemble de sept défis de conception contrainte bien connus dans divers domaines d'ingénierie définis dans le benchmark de la conférence CEC 2020. Les tests statistiques de Friedman et Wilcoxon sont également utilisés pour examiner les résultats. En ce qui concerne les DONNÉES EXPÉRIMENTALES ET LES TESTS STATISTIQUES, l'algorithme SSALEO est très compétitif et souvent supérieur aux algorithmes utilisés dans les études. En outre, l'approche proposée peut être considérée comme un optimiseur spécial LSGO dont les performances dépassent celles des algorithmes spécialisés de pointe tels que CMA-ES et SHADE.

El algoritmo Salp Swarm Algorithm (SSA) supera a algoritmos conocidos como los optimizadores de enjambre de partículas y los optimizadores de lobo gris en desafíos de optimización complejos. Sin embargo, como la mayoría de los algoritmos metaheurísticos, SSA sufre una lenta convergencia y estancamiento en la mejor solución local. En este estudio, un algoritmo Salp Swarm (SSA) se combina con un operador de escape local (LEO) para superar algunas limitaciones inherentes del SSA original. SALEO es una técnica de búsqueda novedosa que tiene en cuenta la diversidad de la población, el desequilibrio entre la explotación y la exploración y la prematura convergencia. Al implementar LEO en SSALEO, se elimina la desaceleración de búsqueda en SSA y se mejora la eficiencia de búsqueda local de los agentes de enjambre. El método SSALEO propuesto se prueba utilizando el punto de referencia CEC 2017 con 50 y 100 variables de decisión, siete funciones de prueba CEC2008lsgo con 200, 500 y 1000 variables de decisión, y su rendimiento se comparó con otros algoritmos metaheurísticos (MA) y algoritmos avanzados, incluidas siete variantes de enjambre Salp. Las comparaciones muestran que SSA se beneficia enormemente de LEO al mejorar la calidad y acelerar la tasa de convergencia de sus soluciones. El SSALEO era entonces evaluado utilizando un conjunto de puntos de referencia de siete desafíos de diseño restringidos bien conocidos en varios dominios de ingeniería definidos en el punto de referencia de la conferencia CEC 2020. Las pruebas estadísticas de suma de rangos de Friedman y Wilcoxon también se utilizan para examinar los resultados. acorde con los DATOS EXPERIMENTALES Y LAS PRUEBAS ESTADÍSTICAS, el algoritmo SSALEO es muy competitivo y, a menudo, superior a los algoritmos utilizados en los estudios. Además, el enfoque propuesto puede verse como un optimizador LSGO especial cuyo rendimiento supera al de los algoritmos especializados de vanguardia como CMA-ES y SHADE.

The Salp Swarm Algorithm (SSA) outperforms well-known algorithms such as particle swarm optimizers and grey wolf optimizers in complex optimization challenges.However, like most meta-heuristic algorithms, SSA suffers from slow convergence and stagnation in the best local solution.In this study, a Salp swarm algorithm (SSA) is combined with a local escaping operator (LEO) to overcome some inherent limitations of the original SSA.SSALEO is a novel search technique that accounts for population diversity, the imbalance between exploitation and exploration, and the SSA algorithm's premature convergence.By implementing LEO in SSALEO, the search slowdown in SSA is eliminated, and the local search efficiency of swarm agents is improved.The proposed SSALEO method is tested using the CEC 2017 benchmark with 50 and 100 decision variables, seven CEC2008lsgo test functions with 200, 500, and 1000 decision variables, and its performance was compared to other metaheuristic algorithms (MAs) and advanced algorithms, including seven Salp swarm variants.The comparisons show that SSA greatly benefits from LEO by enhancing the quality and accelerating its solutions' convergence rate.The SSALEO was then assessed using a benchmark set of seven well-known constrained design challenges in various engineering domains defined in the CEC 2020 conference benchmark.Friedman and Wilcoxon rank-sum statistical tests are also used to examine the results.ACCORDING TO EXPERIMENTAL DATA AND STATISTICAL TESTS, the SSALEO algorithm is very competitive and often superior to the algorithms used in the studies.Further, the proposed approach can be viewed as a special LSGO optimizer whose performance exceeds that of specialized state-of-the-art algorithms like CMA-ES and SHADE.

تتفوق خوارزمية سرب سرب (SSA) على الخوارزميات المعروفة مثل محسنات سرب الجسيمات ومحسنات الذئب الرمادي في تحديات التحسين المعقدة. ومع ذلك، مثل معظم الخوارزميات الاستكشافية، تعاني SSA من التقارب البطيء والركود في أفضل الحلول المحلية. في هذه الدراسة، يتم دمج خوارزمية سرب سالب (SSA) مع مشغل هروب محلي (LEO) للتغلب على بعض القيود الكامنة في SSA.SSAO الأصلية هي تقنية بحث جديدة تفسر التنوع السكاني، وعدم التوازن بين الاستغلال والاستكشاف، وخوارزمية SSA المبكرة التقارب. من خلال تنفيذ عملية فتح الخطوط والمعدات في SSALEO، يتم القضاء على تباطؤ البحث في SSA، وتحسين كفاءة البحث المحلية لعوامل السرب. يتم اختبار طريقة SSALEO المقترحة باستخدام معيار CEC 2017 مع متغيرات القرار 50 و 100، وسبع وظائف اختبار CEC2008lsgo مع متغيرات القرار 200 و 500 و 1000، وتمت مقارنة أدائها بخوارزميات ما وراء التجربة الأخرى (MAs) والخوارزميات المتقدمة، بما في ذلك سبعة متغيرات لسرب SALP. تظهر المقارنات أن SSA تستفيد بشكل كبير من عملية فتح الخطوط والمعدات من خلال تعزيز الجودة وتسريع معدل تقارب حلولها. كان SSALEO في ذلك الوقت تم تقييمها باستخدام مجموعة مرجعية من سبعة تحديات تصميم مقيدة معروفة في مختلف المجالات الهندسية المحددة في معيار مؤتمر CEC 2020. كما يتم استخدام فريدمان وويلكوكسون للاختبارات الإحصائية المجمعة لفحص النتائج .بالاستناد إلى البيانات التجريبية والاختبارات الإحصائية، فإن خوارزمية SSALEO تنافسية للغاية وغالبًا ما تتفوق على الخوارزميات المستخدمة في الدراسات. علاوة على ذلك، يمكن النظر إلى النهج المقترح على أنه محسن LSGO خاص يتجاوز أدائه أداء الخوارزميات المتخصصة الحديثة مثل CMA - ES و SHADE.