Müssen Sie mehrere Lösungen für ein komplexes Problem finden? Diese Forschung stellt einen neuartigen multimodalen Optimierungsalgorithmus vor, die Multi-modal Battle Royal Optimization (MBRO), die entwickelt wurde, um mehrere lokale und globale Optima zu identifizieren, ohne vorherige Kenntnisse des Problemraums zu benötigen. Der Algorithmus bietet einen bedeutenden Fortschritt bei der Lösung realer Optimierungsherausforderungen. Aufbauend auf dem bestehenden Battle Royal Optimization (BRO)-Algorithmus verwendet MBRO das Coulomb-Gesetz, um geeignete Nachbarn zu identifizieren und multimodale Lösungen zu formulieren. Dieser Ansatz ermöglicht es dem Algorithmus, potenzielle Optima basierend auf Fitnesswerten zu identifizieren und optimale Entfernungen von Lösungskandidaten festzulegen. Verglichen mit sieben bekannten multimodalen Optimierungsalgorithmen demonstriert MBRO eine überlegene Fähigkeit, die meisten, wenn nicht sogar alle, lokalen und globalen Optima in 14 Benchmark-Problemen zu identifizieren. Seine Fähigkeit, komplexe Problemräume zu navigieren, macht ihn zu einer vielversprechenden Lösung für eine Vielzahl von Anwendungen und eignet sich gut für mathematische Modellierung und Anwendungen der Informatik.
Cluster Computing konzentriert sich auf paralleles und verteiltes Rechnen, einschließlich Algorithmen und Anwendungen. Diese Arbeit passt in den Rahmen der Zeitschrift, indem sie einen neuartigen Optimierungsalgorithmus für multimodale Probleme vorstellt, ein Schlüsselbereich im Cluster Computing. Die vergleichende Studie und die präsentierten experimentellen Ergebnisse tragen wertvolle Erkenntnisse zum Feld bei.