الگوریتم بهینهسازی غذایابی سفره ماهی(Manta ray foraging optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2020 در ژورنال معتبر Engineering Applications of Artificial Intelligence از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی غذایابی سفره ماهی توسط الگوریتم بهینهسازی اجتماع ذرات بهبود داده شده است. هدف مدل ترکیبی PSOMRFO این است که موقعیت عاملها به سمت نقاط بهینه باشد و الگوریتم در نقاط بهینه محلی گیر نکند. ارزیابی مدل ترکیبی PSOMRFO برروی 23 تابع استاندارد در محیط متلب 2018 انجام شده است. نتایج آزمایشها نشان میدهد که مدل ترکیبی PSOMRFO در مقایسه با الگوریتم بهینهسازی غذایابی سفره ماهی و الگوریتم بهینهسازی اجتماع ذرات عملکرد بهتری دارد.
الگوریتم بهینهسازی شغال طلایی(Golden jackal optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2022 در ژورنال معتبر Expert Systems With Applications از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی شغال طلایی توسط الگوریتم بهینهسازی اجتماع ذرات بهبود داده شده است. هدف مدل ترکیبی PSOGJO این است که موقعیت شغالها به سمت نقاط بهینه باشد. ارزیابی مدل ترکیبی PSOGJO برروی 23 تابع استاندارد در محیط متلب 2018 انجام شده است. نتایج آزمایشها نشان میدهد که مدل ترکیبی PSOGJO در مقایسه با الگوریتم بهینهسازی شغال طلایی و الگوریتم بهینهسازی اجتماع ذرات عملکرد بهتری دارد.
الگوریتم بهینهسازی ماهی چسبنده(Remora optimization algorithm) یکی از الگوریتمهای فراابتکاری است که در سال 2021 در ژورنال معتبر Expert Systems With Applications از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی ماهی چسبنده برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم بهینهسازی ماهی چسبنده با الگوریتم بهینهسازی شاهین هریس(Harris Hawks Optimizer) و الگوریتم بهینهسازی شعله-پروانه(Moth-Flame Optimization Algorithm)، الگوریتم بهینهسازی نهنگ(Whale Optimization Algorithm) و الگوریتم گرگ خاکستری(Grey Wolf Optimizer) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم بهینهسازی ماهی چسبنده در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.
الگوریتم گیاه گوشتخوار(Carnivorous Plant Algorithm) یکی از الگوریتمهای فراابتکاری است که در سال 2021 در ژورنال معتبر Applied Soft Computing Journal از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم گیاه گوشتخوار برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیهسازی پیوست شده الگوریتم گیاه گوشتخوار با الگوریتم بهینهسازی اجتماع ذرات(Particle Swarm Optimization) و الگوریتم تکامل تفاضلی(Differential Evolution)، الگوریتم کلونی زنبور مصنوعی(Artificial Bee Colony) و الگوریتم اجتماع سالپ(Salp Swarm Algorithm) مقایسه شده است. نتایج تجربی این شبیهسازی نشان میدهد که الگوریتم گیاه گوشتخوار در مقایسه با الگوریتمهای ذکر شده، یک بهینهساز با عملکرد بالا است.