APDO : A novel hybrid metaheuristic algorithm using Aquila optimizer and prairie dog optimization algorithm for global optimization

Abstract

he Aquila Optimizer (AO) and Prairie Dog Optimization (PDO) are two new meta heuristic algorithms inspired by the behaviors of Aquila and Prairie Dog in nature. AO excels in global exploration, while PDO shows promise in exploitation. To address the limitations of each algorithm and improve the quality of solutions for global optimization problems, a hybrid algorithm called APDO is proposed in this thesis. APDO combines the exploration phase of AO with the exploitation phase of PDO, leveraging the strengths of both algorithms. Additionally, a new union opposition-based learning (UOBL) technique is introduced to enhance population diversity and aid in escaping local optima. Further more, a novel balancing mechanism is incorporated to guide the search process, striking a balance between exploration and exploitation. The performance of APDO is exten sively evaluated and compared with AO, PDO, and four state-of-the-art algorithms using 40 test functions. The experimental results demonstrate that APDO achieves favorable outcomes.

يعد كل من محسن أكويلا (AO (و محسن الكلب البري (PDO (خوارزميات وصفية جديدة مستوحاة من سلوكيات أكويلا و الكلب البري في الطبيعة. تتفوق AO في الاستكشاف العام ، بينما تُ ً ظهر PDO وعدا في الاستغلال. لمعالجة قيود كل خوارزمية وتحسين جودة الحلول لمشاكل التحسين العامة ، تم اقتراح خوارزمية هجينة تسمى APDO في هذه الأطروحة. يجمع APDO بين مرحلة الاستكشاف لـ AO ومرحلة الاستغلال لـ PDO ، مما يعزز نقاط القوة في كلتا ٕ الخوارزميتين. بالاضافة إلى ذلك ، تم تقديم تقنية التعلم النقابي القائم على المعارضة (UOBL (لتعزيز التنوع السكاني والمساعدة في الهروب من أوبتيما المحلية. علاوة على ذلك ، تم دمج آلية موازنة جديدة لتوجيه عملية البحث ، وتحقيق التوازن بين الاستكشاف والاستغلال. يتم تقييم أداء APDO على نطاق واسع ومقارنته مع AO و PDO وأربع خوارزميات حديثة باستخدام 40 وظيفة اختبار. تظهر النتائج التجريبية أن APDO يحقق نتائج إيجابية.