Thesis (Ph.D)-Cairo University, 2024

Bibliography: pages 105-109.

Optimization problems encountered in real-world scenarios frequently entail intricate systems characterized by a multitude of parameters. While exact optimization algorithms assure an optimal solution, they encounter computational intractability when applied to problems of this nature. Metaheuristic algorithms provide effective near-optimal solutions by adeptly exploring the solution space.
A critical analysis is conducted on prevailing metaheuristic algorithms including genetic algorithms, particle swarm optimization and the Grey Wolf Optimizer in terms of their applications, advantages and limitations. The need for developing improved metaheuristic algorithms is identified, especially for handling complex constrained optimization problems.
This thesis introduces two enhanced metaheuristic algorithms—Novel Enhanced Gorilla Troop Optimization (NEGTO) and Rival Gorilla Troop Optimization (RGTO) for solving constrained and unconstrained optimization problems by incorporating novel strategies into the original Gorilla Troop Optimization (GTO). NEGTO augments exploration and exploitation within the search space through the manipulation of a dynamically controlled parameter. RGTO improves both global and local search by simplifying the standard GTO with adopting a single exploitation mechanism instead of two and applying a damping factor to the exploration phase.
Experimental validation of the two proposed algorithms is conducted using benchmark problems. Results are subjected to statistical comparison with state-of-the-art metaheuristic algorithms. On unconstrained benchmarks, RGTO significantly outperforms all algorithms including GTO. For constrained problems, NEGTO shows outperforming performance to other algorithms. The frequency-guided position update allows NEGTO to handle constraints better. The proposed algorithms contribute to the advancement of current metaheuristic capabilities and demonstrate promise in addressing intricate real-world optimization challenges.

تتضمن مشكلات الأمثلية في الحياة العملية أنظمة معقدة تحتوي على عدد كبير من المعلمات. وبالرغم من أن طرق الأمثلية التقليدية تضمن حلاً مثاليًا لكن من الصعب إيجاد هذا الحل الامثل من الناحية الحسابية لمثل هذه المشكلات. هكذا تقدم خوارزميات Metaheuristic حلولًا فعالة قريبة للمثالية من خلال البحث بذكاء في مساحة الحل لتلك الانواع من المشكلات. ومن ضمن خوارزميات الميتاهوريستيك (GTO). تهدف هذه الرسالة إلى تحسين أداء خوارزمية GTO الأصلية في حل مشكلات الأمثلية وذلك بالتطبيق على الدوال المعيارية العالمية سواء كانت مقيدة (Constrained) أو غير مقيدة (Unconstrained). وذلك من خلال تحسين قدرات الاستكشاف والاستغلال فى الخوارزمية وبالتالي يتوقع أن تكون الخوارزمية المقترحة المعدلة أكثر فعالية في إيجاد أفضل الحلول في مناطق البحث المعقدة وذات الأبعاد العالية العميقة (High Dimensions). وتتضمن ايضا هذة الرسالة دراسة تفصيلية لأساليب الاستكشاف والاستغلال في خوارزمية GTO وطرق تحسينها.
هذا ولقد تم اقتراح تعديلين في خوارزمية (GTO) الاصلية كمايلى:
التعديل الاول يتمثل فى اقتراح خوارزمية (Novel Enhanced Gorilla Troops Optimizer (NEGTO)) حيث تقدِّمNEGTO معامل تحكُّـــــــــم (Controlling Parameter) ديناميكي ليوازن بين عمليات الاستكشاف والاستغلال كما تم تحديث بعض المعادلات في الخوارزمية الأصلية بناءً على معامل التحكُّـــــمِ الديناميكي.
التعديل الثانى يتمثل فى اقتراح خوارزمية (Rival Gorilla Troops Optimizer (RGTO)) حيث تم خفض عدد عاملي الاستغلال في خوارزمية GTO من اثنين وذلك باستخدام آلية استغلال واحدة والتي تحاكي المنافسة بين الغوريلات. كما تم تعزيز عامل الاستكشاف باستخدام Damping factor. هذا ولقد تم استخدام نظرية التصميم التجريبي (Taguchi Method) لتحديد قيم المعلمات المثلي ((optimal parameters وذلك لتحديد أفضل المعلمات التي تقوم خوارزمية RGTO المقترحة لحل المشكلات بفاعلية.
وفى هذه الرسالة ايضا تم عرض نظرة شاملة على الخوارزميات الحديثة التي تم استخدامها في حل مشاكل الأمثلية مع المقارنة بين أداء خوارزمية GTO المحسنة وبين الخوارزميات الأخرى. هكذا تم تقييم أداء الخوارزميات المحسنة على مجموعة متنوعة من الدوال المعيارية (Benchmark functions) وذلك لاختبار قدراتها على حل هذه الدوال بفعالية حيث تم اختبار هذه الخوارزميات على كلاً من دوال معيارية غير المقيدة Unconstrained Benchmark test functions وبعض التتطبيقات الهندسية المقيدة Constrained engineering applications. ومقارنة النتائج إحصائيًا مع أحدث خوارزميات Metaheuristic.
أظهرت النتائج في المشاكل المعيارية غير المقيدة تفوق خوارزمية RGTO المقترحة بشكل كبير مقارنة بجميع الخوارزميات بما في ذلك خوارزمية GTO الأصلية. أما بالنسبة للتطبيقات الهندسية المقيدة قدمت خوارزمية NEGTO المقترحة أداءًا أفضل من الخوارزميات الأخرى.

Issues also as CD.

Text in English and abstract in Arabic & English.