The aim of this paper is to introduce AHCOA to the electromagnetic and antenna community. AHCOA is a new nature inspired meta heuristic algorithm inspired by how there is a hierarchy and departments in the ant hill colonization. It has high probabilistic potential in solving not only unconstrained but also constrained optimization problems. In this paper the AHCOA is applied to linear antenna array for better pattern synthesis in the following ways : By uniform excitation considering equal spacing of the antenna elements with respect to the uniform array. AHCOA is used in obtaining an array pattern to achieve minimum side lobe levels. The results are compared to other state of the art nature based algorithms such as ant lion optimizer, which show a considerable improvement in AHCOA.

Nature inspired algorithms has brought solutions to complex problems in optimization where the optimization and solution of complex problems is highly complex and nonlinear. There is a need to use proper design of the cost function or the fitness function in terms of the parameters to be optimized, this can be used in solving any type of such problems. In this paper the nature inspired algorithms has played important role in the optimal design of antenna array with improved radiation characteristics. In this paper, 20 elements linearly spaced array is used as an example of nature inspired optimization in antenna array system. This bridge inspired army ant algorithm(NOABS) is used to reduce the side lobes and to improve the other radiation characteristics to show the effect of the optimization on design characteristics by implementation of NOABS nature inspired algorithm. The entire simulation is carried out on 20 elements linear antenna array.

This paper aims to introduce the Ant hill colonization optimization algorithm(AHCOA) to the electromagnetics and antenna community. The ant hill is built by special species of ants known as formicas ants(also meadow ants, fire ants and harvester ants). AHCOA is a novel new nature inspired algorithm mimicking how the ants built and sustain the ant hill for their survival and sustenance for many years. This problem solves constrained and unconstrained optimization problems with wide capability in diverse fields. AHCOA is used by writing equations of volumetric analysis of the ant hill mould the manner in which the structure is architected. In this paper, we have shown how AHCOA is better than the previous paper on ant lion optimizer for controlling side lobe in antenna pattern synthesis in paper [1]. The potential of AHCOA in synthesizing and analyzing for d/ varying from 1.1,0.6,0.5,0.3 and 0.1 linear array is also illustrated. Antenna side lobe level minimization is compared with ant lion optimizer showing why AHCOA is better than the previously simulated ant lion optimizer for side lobe control. The results show why linear arrays are better synthesized for AHCOA then other algorithms used in planar arrays. This paper shows why AHCOA is a strong candidate for antenna optimization used in linear arrays.

本文提出了一种名为Duck Sharm算法（DSA）的群体智能的优化算法。该算法通过寻找鸭子群的食物来源和觅食行为的启发。通过使用十八个基准函数来验证DSA的性能，其中统计（最佳，平均值，标准偏差和平均运行时间）结果与粒子群优化（PSO），Firefly算法（FA ），鸡肉群优化（CSO），灰狼优化器（GWO），正弦余弦算法（SCA）和海洋捕食者算法（MPA）和ArchImedes优化算法（AOA）。此外，使用比较结果的Wilcoxon Rank-Sum测试，Friedman测试和收敛曲线来证明DSA对其他算法的优越性。结果表明，DSA是在收敛速度和勘探开发平衡方面是求解高维优化功能的高性能优化方法。此外，DSA应用于两个约束工程问题的最佳设计（三条桁架问题，以及锯木厂运行问题）。此外，还用于分析所提出的DSA的性能的四个工程约束问题。总体而言，比较结果表明，DSA是一种有前途和非常竞争力的算法，用于解决不同的优化问题。

随着技术的快速提升，出现了迫切需要以最高的准确性和效率来微调或优化某些过程，软件，模型或结构。优化算法比通过实验或仿真的其他优化方法优选，因为它们的通用问题解决能力和最少的人类干预效果有望有望。近来，自然现象诱导算法设计已经极大地触发了优化过程的效率，即使是复杂的多维，不连续，非差异和嘈杂的问题搜索空间。本章介绍了基于群体智能（SI）的算法或群优化算法，这些算法是更大的受启发性优化算法（NIOAS）的子集。群体智能涉及对个人及其相互作用的集体研究，从而导致群体的智能行为。本章介绍了各种基于人群的SI算法，它们的基本结构以及其数学模型。

本文提出了一种新型的元元素算法，白鹭群优化算法（ESOA），其灵感来自两种乌格莱特物种（伟大的乌鸦和雪绿色的艾格莱特）狩猎行为。ESOA由三个主要组成部分组成：静坐战略，积极的策略以及判别条件。将ESOA在36个基准函数以及2个工程问题上的性能与粒子群优化（PSO），遗传算法（GA），差分进化（DE），灰狼优化器（GWO）和Harris Hawks优化（HHO）进行了比较。。结果证明了ESOA的卓越有效性和鲁棒性。可以从https://github.com/knightsll/egret_swarm_optimization_algorithm中检索此工作中使用的源代码;https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-Egret-swarm-optimization-algorithm-esoa。

信息科学的快速发展引起的“维度诅咒”在处理大数据集时可能会产生负面影响。在本文中，我们提出了Sparrow搜索算法（SSA）的一种变体，称为帐篷L \'evy飞行麻雀搜索算法（TFSSA），并使用它来选择包装模式中最佳的特征子集以进行分类。 SSA是最近提出的算法，尚未系统地应用于特征选择问题。通过CEC2020基准函数进行验证后，TFSSA用于选择最佳功能组合，以最大化分类精度并最大程度地减少所选功能的数量。将拟议的TFSSA与文献中的九种算法进行了比较。 9个评估指标用于正确评估和比较UCI存储库中21个数据集上这些算法的性能。此外，该方法应用于冠状病毒病（COVID-19）数据集，分别获得最佳的平均分类精度和特征选择的平均数量，为93.47％和2.1。实验结果证实了所提出的算法在提高分类准确性和减少与其他基于包装器的算法相比的选定特征数量方面的优势。

Metaheuristics are popularly used in various fields, and they have attracted much attention in the scientific and industrial communities. In recent years, the number of new metaheuristic names has been continuously growing. Generally, the inventors attribute the novelties of these new algorithms to inspirations from either biology, human behaviors, physics, or other phenomena. In addition, these new algorithms, compared against basic versions of other metaheuristics using classical benchmark problems without shift/rotation, show competitive performances. In this study, we exhaustively tabulate more than 500 metaheuristics. To comparatively evaluate the performance of the recent competitive variants and newly proposed metaheuristics, 11 newly proposed metaheuristics and 4 variants of established metaheuristics are comprehensively compared on the CEC2017 benchmark suite. In addition, whether these algorithms have a search bias to the center of the search space is investigated. The results show that the performance of the newly proposed EBCM (effective butterfly optimizer with covariance matrix adaptation) algorithm performs comparably to the 4 well performing variants of the established metaheuristics and possesses similar properties and behaviors, such as convergence, diversity, exploration and exploitation trade-offs, in many aspects. The performance of all 15 of the algorithms is likely to deteriorate due to certain transformations, while the 4 state-of-the-art metaheuristics are less affected by transformations such as the shifting of the global optimal point away from the center of the search space. It should be noted that, except EBCM, the other 10 new algorithms proposed mostly during 2019-2020 are inferior to the well performing 2017 variants of differential evolution and evolution strategy in terms of convergence speed and global search ability on CEC 2017 functions.

进化是一种理论，即当今的动植物来自过去存在的种类。查尔斯·达尔文（Charles Darwin）和阿尔弗雷德·华莱士（Alfred Wallace）等科学家奉献了他们的生活，以观察物种如何与环境相互作用，成长和变化。我们能够预测未来的变化，并使用遗传算法模拟该过程。遗传算法使我们有机会向环境提出多个变量和参数，并更改值以模拟不同的情况。通过优化遗传算法以在环境中持有实体，我们能够为实体分配各种特征，例如速度，大小和克隆概率，以模拟较短的时间内的真实自然选择和进化。了解物种如何成长和进化使我们能够找到改善技术，帮助动物灭绝生存的方法，并弄清楚疾病如何传播以及使环境无法居住的可能方法。使用来自环境的数据，包括遗传算法和速度，大小和克隆百分比的参数，测试环境中几种变化并观察物种在其内的相互作用的能力。在测试了多种食物的不同环境的同时，在保持10个实体的起始人口数量的同时，发现少量食物的环境对于小型和缓慢的实体而言是不可持续的。所有环境都显示出速度的提高，但是食物中更丰富的环境使实体在整个50代时都可以生活，并允许人口显着增长。

由于问题的大规模性质，机器学习算法中的封锁率调整是一种计算挑战性的任务。为了开发高参数调整的有效策略，一个有希望的解决方案是使用群体智能算法。人造蜜蜂殖民地（ABC）优化为此目的作为一个有希望有效的优化算法。然而，在某些情况下，由于初始解决方案较差和昂贵的客观函数，ABC可能遭受缓慢的收敛速度或执行时间。为了解决这些问题，提出了一种新颖的算法，OPTABC，以帮助ABC算法更快地达到近最佳解决方案。 Optabc集成了人造蜂殖民地算法，K均值聚类，贪婪算法和基于反对的学习策略，用于调整不同机器学习模型的超参数。 Optabc采用这些技术，以试图多样化初始群体，因此增强了收敛能力，而不会显着降低准确性。为了验证所提出的方法的性能，我们将结果与先前的最先进的方法进行比较。实验结果表明，与文献中的现有方法相比，Optabc的有效性。

事物互联网（物联网）是一个由嵌入式传感器和服务网络为特征的范例。结合了这些传感器以收集各种信息，跟踪物理条件，例如废物箱状态，并使用不同的集中平台交换数据。对这种传感器的需求正在增加;然而，技术的扩散具有各种挑战。例如，如何使用IoT及其相关数据来增强废物管理？在智能城市，有效的废物管理系统至关重要。人工智能（AI）和启用IOT的方法可以赋予城市管理废物收集。这项工作提出了一种在给定空间约束的支持物联网的废物管理系统中提供推荐的智能方法。它基于基于AI的方法进行彻底的分析，并比较它们的相应结果。我们的解决方案基于多级决策过程，其中考虑到箱子状态和坐标以解决路由问题。这种基于AI的模型可以帮助工程师设计可持续的基础设施系统。

大约400年前的国际象棋游戏始于大约400年前的统治图，这引发了对统治图的分析，最初是相对松散的，直到1960年代开始，当时该问题给出了数学描述。这是图理论中最重要的问题之一，也是在多项式时间无法解决的NP完整问题。结果，我们描述了一种新的混合杜鹃搜索技术，以解决这项工作中的MDS问题。杜鹃搜索是一种著名的元神经，其能力探索了巨大的搜索空间，使其对多元化有用。但是，为了提高性能，我们除了遗传跨界操作员外，还将强化技术纳入了建议的方法。在详尽的实验测试中介绍了我们的方法与文献中相应的最新技术的比较。根据获得的结果，建议的算法优于当前的最新状态。

大多数现实世界中的问题本质上都是多模式，由多个最佳值组成。多模式优化定义为找到函数的多个全局和局部优化（与单个解决方案相反）的过程。它使用户可以根据需要在不同的解决方案之间切换，同时仍保持最佳系统性能。基于经典梯度的方法未能用于优化问题，因为目标函数是不连续的或不可差的。与需要多个重新启动的经典优化技术相比，进化算法（EAS）能够在单个算法运行中以单个算法运行中的多个解决方案找到多个解决方案，以找到不同的解决方案。因此，已经提出了一些EA来解决此类问题。但是，差异进化（DE）算法是一种基于人群的启发式方法，可以解决此类优化问题，并且可以易于实施。多模式优化问题（MMOP）的潜在挑战是有效地搜索功能空间以准确地定位大多数峰。优化问题可能是最大程度地减少或最大化给定的目标函数，我们旨在解决本研究中多模式功能的最大化问题。因此，我们提出了一种称为增强对立差异进化（EODE）算法的算法来求解MMOP。拟议的算法已在IEEE进化计算（CEC）2013基准功能上进行了测试，并且与现有的最新方法相比，它取得了竞争性结果。

肺炎是儿童死亡率的主要原因之一，尤其是在全球收入的地区。尽管可以通过不太复杂的仪器和药物进行检测和治疗，但肺炎检测仍然是发展中国家的主要关注点。基于计算机辅助的诊断（CAD）系统可在此类国家 /地区使用，因为其运营成本低于专业医疗专家。在本文中，我们使用深度学习的概念和一种元神父算法提出了一个从胸部X射线检测的CAD系统，以检测胸部X射线。我们首先从预先训练的RESNET50中提取深度功能，该功能在目标肺炎数据集上进行了微调。然后，我们提出了一种基于粒子群优化（PSO）的特征选择技术，该技术使用基于内存的适应参数进行了修改，并通过将利他行为纳入代理人而丰富。我们将功能选择方法命名为自适应和利他的PSO（AAPSO）。提出的方法成功地消除了从RESNET50模型获得的非信息性特征，从而提高了整体框架的肺炎检测能力。对公开可用的肺炎数据集进行了广泛的实验和彻底分析，确定了所提出的方法比用于肺炎检测的其他几个框架的优越性。除了肺炎检测外，AAPSO还可以在某些标准的UCI数据集，用于癌症预测的基因表达数据集和COVID-19预测数据集上进行评估。总体结果令人满意，从而确认AAPSO在处理各种现实生活问题方面的实用性。可以在https://github.com/rishavpramanik/aapso上找到此工作的支持源代码

基准套件提供了对进化算法解决问题能力的有用度量，但是组成问题通常太复杂了，无法清洁算法的优势和劣势。在这里，我们介绍了基准套件档案（``进化运行中的选择方案的诊断概述''），以实证分析有关剥削和探索重要方面的选择方案。利用从根本上是攀岩，但我们考虑两种情况：纯剥削，可以独立优化表示形式中的每个位置，并且受到限制的利用，在该位置之间，由于位置之间的相互作用，向上进展更加有限。当优化路径不太清楚时，需要探索；我们认为能够遵循多个独立的爬山途径和跨健身山谷的能力。这些场景的每种组合都会产生独特的适应性景观，有助于表征与给定选择方案相关的进化动力学。我们分析了六个流行的选择方案。锦标赛的选择和截断选择都在剥削指标方面表现出色，但在需要探索时表现不佳；相反，新颖的搜索在探索方面表现出色，但未能利用梯度。在克服欺骗时，健身共享表现良好，但在所有其他诊断方面都很差。非主导的分类是维持由居住在多个Optima居住的个体组成的不同人群的最佳选择，但努力有效利用梯度。词汇酶选择平衡搜索空间探索而不牺牲剥削，通常在诊断方面表现良好。我们的工作证明了诊断对快速建立对选择方案特征的直观理解的价值，然后可以将其用于改进或开发新的选择方法。

我们最近提出了安全的 - 解决方案和健身进化 - 一种相应的协调算法，该算法维持两个共同发展的人群：候选解决方案和候选目标函数的种群。我们表明，安全在机器人迷宫领域内发展溶液的成功。本文中，我们介绍了Safe的适应和对多目标问题的应用的研究，其中候选目标功能探索了每个目标的不同权重。尽管初步的结果表明，安全以及共同发展的解决方案和目标功能的概念可以识别一组类似的最佳多物镜解决方案，而无需显式使用帕累托前锋进行健身计算和父母选择。这些发现支持我们的假设，即安全算法概念不仅可以解决复杂的问题，而且可以适应多个目标问题的挑战。

本文通过实时主轴振动的表征，提出了一种白色盒子支持向量机（SVM）框架及其群体的优化。通过加速度和统计特征的时域响应，通过了过程失败（即侧面，侧面，侧面，鼻磨损，火山口和凹槽磨损，边缘骨折）而演化的异常时刻。使用作为估计器的横跨验证（RFECV）的递归特征消除，因为估计器已经用于特征选择。此外，已经检查了标准SVM的能力，用于刀具健康监测，然后通过应用群基于群的算法进行优化。已经进行了五个元启发式算法性能的比较分析（大象放牧优化，Monarch蝶优化，Harris Hawks优化，粘液模算法和飞蛾搜索算法）。考虑到全局和本地表示，已经介绍了白盒方法，这些代表可以深入了解工具状况监控中机器学习模型的性能。

传统的统计技术或元启发式学很难解决大多数现实世界的优化问题。主要困难与存在相当数量的局部Optima有关，这可能导致优化过程的过早收敛性。为了解决这个问题，我们提出了一种新型的启发式方法，用于构建原始功能的平滑替代模型。替代功能更容易优化，但保持原始坚固的健身景观的基本属性：全球最佳的位置。为了创建这样的替代模型，我们考虑通过自我调整健身函数增强的线性遗传编程方法。所提出的称为GP-FST-PSO替代模型的算法在搜索全局最优值和原始基准函数的视觉近似（在二维情况下）的视觉近似都可以达到令人满意的结果。

自从各种任务的自动化开始以来，自动驾驶车辆一直引起人们的兴趣。人类容易疲惫，在道路上的响应时间缓慢，最重要的是，每年约有135万道路交通事故死亡，这已经是一项危险的任务。预计自动驾驶可以减少世界上驾驶事故的数量，这就是为什么这个问题对研究人员感兴趣的原因。目前，自动驾驶汽车在使车辆自动驾驶时使用不同的算法来实现各种子问题。我们将重点关注增强学习算法，更具体地说是Q学习算法和增强拓扑的神经进化（NEAT），即进化算法和人工神经网络的组合，以训练模型代理，以学习如何在给定路径上驱动。本文将重点介绍上述两种算法之间的比较。

在生物启发群体的成群制中拥挤的环境中，最近出现了SALP群优化（SSO）算法并立即获得了很多动量。灵感来自Salp殖民地的特殊空间排列，在领导者之后的长链中移位，该算法似乎提供了有趣的优化性能。然而，原创作品的特点是一些概念和数学缺陷，影响了对象的所有作品。在本手稿中，我们对SSO进行了一次关键审查，突出了文献中存在的所有问题及其对通过该算法进行的优化过程的负面影响。我们还提出了一个数学上正确的SSO版本，名为“修正的SALP Swarm Optimizer（ASSO）”，该SALP Swarm Optimizer（ASSO）修复了所有讨论的问题。我们在一系列定制的实验上基准测试ASOO的表现，表明它能够实现比原始SSO更好的结果。最后，我们进行了广泛的研究，旨在了解SSO及其变体是否提供与其他美术学相比的优势。实验结果，其中SSO不能优于简单的众所周知的核心学，表明科学界可以安全地放弃SSO。