Thesis (Ph.D)-Cairo University, 2024.

Bibliography: pages 100-111.

Optimization is a critical process in various scientific and industrial applications, aiming to find the best solution from a set of alternatives through minimizing or maximizing a specific objective function. Metaheuristic algorithms, inspired by natural processes, are designed to address complex optimization problems that are intractable with standard approaches. Among these, the Harris Hawks Optimization (HHO) algorithm, inspired by the cooperative hunting behavior of Harris's hawks, has shown promising results. However, HHO, like other metaheuristics faces challenges in balancing exploration and exploitation which can lead to suboptimal solutions or premature convergence.
In this thesis, it was proposed two novel modifications to the HHO algorithm to enhance its performance and reliability in solving optimization problems. The first modification introduces an adaptive leadership strategy within the HHO framework; where in the role of the leader is dynamically adjusted using a mutation operator. This Adaptive Leader HHO (ALHHO) leverages the best hawks' vectors to guide the search process more effectively.
The second modification, the Adaptive Leadership Strategy with Crossover Operator to enhanced HHO (A-CHHO) extends the ALHHO by incorporating a crossover operator. Thus, the crossover mechanism is designed to recombine the characteristics of the best solutions, facilitating the exchange of information and leading to the generation of superior offspring solutions. This genetic operator is expected to further improve the convergence speed and solution quality of the HHO algorithm. The proposed algorithms were rigorously tested on a set of benchmark functions and compared the results against the original HHO and other state-of-the-art optimization algorithms. The results demonstrate that ALHHO and A-CHHO achieves better optimization performance in terms of accuracy, convergence rate, and robustness.

تم تطوير العديد من طرق meta-heuristic لحل مشاكل التحسين الصعبة منها الخوارزمية الجينية (GA) وخوارزيمية مستعمرة النمل (ACA) وسرب الجسيمات (PS) حيث لاتتضمن خوارزميات meta-heuristic دائمًا الحل الأمثل. ومع ذلك ففى معظم الحالات يمكن الحصول على حل شبه مثالي في وقت أقل بكثير من تطبيق الطرق الرياضية. تعتبر خوارزمية صقور هاريس (HHO) واحدة من الخوارزميات الحديثة في مجال metaheuristics. حيث تحاكي السلوك التعاوني لـصقور هاريس وسلوكهم في البحث عن الطعام في الطبيعة والذي يسمى الانقضاض المفاجئ. ومن فوائد هذه الخوارزيمية احتوائها علي عدد صغير من إعدادات التحكم في الضبط وبساطة التنفيذ ومستوى عالٍ من الاستكشاف والاستغلال وتتمتع هذه التقنيات بمجال استخدام واسع. وفي هذه الرسالة تم اقتراح تعديلين لخوارزمية صقور هاريس (HHO) لتعزيز أدائها وصلاحيتها (موثوقيتها) لحل مشاكل الامثلية.
التعديل الأول يتمثل فى اقتراح خوارزمية استراتيجية قيادة تكيفية Adaptive Leader Harris Hawks Optimizer Algorithm (ALHHO) وهى نسخة معدلة من خوارزمية HHO وذلك لتعزيز من قدرات الاستكشاف للخوارزمية الأصلية وتقود إلى تحسين جودة الحلول المُنتجة. حيث يدمج (ALHHO) عامل الطفرة (Mutation Operator) في عملية البحث والذي يقوم بتعديل مواقع بعض الصقور في فضاء البحث بشكل عشوائي في كل خطوة من خطوات الخوارزمية. هذا الاسلوب التكيفي يستفيد من مواقع أفضل الصقور (Best Hawks) المكتشفة لتوجيه عملية البحث نحو مناطق أكثر وُعدًا. بالاضافة الى دمج (ALHHO) استراتيجية طيران ليفي (Levy flight Strategy) لزيادة العشوائية في حركة الصقور مما يسمح باستكشاف أكثر شمولاً وفعالية لمناطق مختلفة.
التعديل الثانى يتمثل فى اقتراح خوارزمية استراتيجية قيادة تكيفية مع عامل التقاطع لتحسين خوارزمية صقور هاريس the Adaptive Leadership Strategy with Crossover Operator to enhanced (A-CHHO) كتعديل آخر على الخوارزمية الأصلية HHO لحل المشاكل الأمثلية المقيدة وغير المقيدة. يعتبر التعديل الثاني امتداد لاستراتيجية القيادة التكيفية فيALHHO من خلال دمج عامل التقاطع (Crossover Operator) مع الطفرة التكييفية(Adaptive mutation) أثناء مرحلة الاستكشاف كما تُستخدم استراتيجية الطيران ليفي (Levy flight Strategy) لإدخال قدر أكبر من العشوائية والاستكشاف في حركة الصقور وذلك لتحسين الخوارزمية الأصلية HHO من خلال دمج مشغلي الطفرة والتقاطع يتم تحسين مرحلة الاستكشاف في الخوارزمية مما يسمح للصقور بالاستكشاف بشكل أكثر فعالية في فضاء البحث وزيادة احتمالية تحسين جودة الحلول التى يتم الحصول عليها. هكذا تم تصميم آلية التقاطع لإعادة الجمع بين خصائص أفضل الحلول التي تسهل عملية تبادل المعلومات وربما تؤدي إلى توليد حلول متفوقة على الموجوده. تم اثبات فعالية هذه الخوارزميات المعدلة المقترحة على العديد من الدوال المعيارية (Benchmark Functions) المقيدة وغير المقيدة بما فى ذلك دوال CEC2017 وCEC2019 وكذا 23 دالة اختبار قياسية للتحقق من قدرتها على تحسين النتائج. حيث تحقق أصغر قيم للمتوسطات بين الخوارزميات الأخرى مع تحسين سرعة التقارب أيضًا وهذا دليلًا على أن الخوارزميات المعدلة مثل خوارزمية(ALHHO) وخوارزمية (A-CHHO)تتفوق على الآخرين من حيث تحسين الأداء. وأخيرا تم التطبيق على أربع تصميمات هندسية واقعية من الدوال المقيدة والتى أثبتت كفاءة الخوارزميات المقترحة في حل المشاكل العملية .

Issues also as CD.

Text in English and abstract in Arabic & English.