000			08037namaa22004451i 4500
003			OSt
005			20250225131112.0
008			250211s2024 |||a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a511.8
092			_a511.8 _221
097			_aPh.D
099			_aCai01.18.05.Ph.D.2024.Is.I
100	0		_aIslam Hassan Ahmed Gomaa, _epreparation.
245	1	3	_aAn intelligent approach for solving optimization problems / _cby Islam Hassan Ahmed Gomaa ; Supervised by Prof. Dr. Hegazy Zaher, Prof. Dr. Naglaa Ragaa Saeid Hassan, Dr. Heba Sayed Roshdy.
246	1	5	_aأسلوب ذكى لحل مشاكل الامثلية /
264		0	_c2024.
300			_a109 leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2024
504			_aBibliography: pages 105-109.
520			_aOptimization 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.
520			_aتتضمن 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_a‪Mathematical models _2qrmak
653		0	_aMetaheuristics _aNature-inspired algorithms _aGorilla troop optimization algorithm _aGlobal optimization problems
700	0		_aHegazy Zaher _ethesis advisor.
700	0		_aNaglaa Ragaa Saeid Hassan _ethesis advisor.
700	0		_aHeba Sayed Roshdy _ethesis advisor.
900			_b01-01-2024 _cHegazy Zaher _cNaglaa Ragaa Saeid Hassan _cHeba Sayed Roshdy _UCairo University _FFaculty of Graduate Studies For Statistical Research _DDepartment of Dissertation submitted to Operations Research and Management
905			_aShimaa
905			_aEman _eRevisor
942			_2ddc _cTH _e21 _n0
999			_c170776