Skip to content

SFO (Sunflower Optimization) is an algorithm inspired by sunflowers. Just as sunflowers always turn their faces towards the sun to maximize their exposure to life-giving sunlight, the SFO algorithm seeks to find the best solutions by consistently adjusting its direction towards the most promising areas of the search space.

License

Notifications You must be signed in to change notification settings

PongpreechaSuea/Sunflower-Optimization-Algorithm-SFO

Repository files navigation

Sunflower Optimization Algorithm (SFO)

English

SFO (Sunflower Optimization) is a fascinating nature-inspired optimization algorithm that draws its inspiration from the unique behavior of sunflowers. Just as sunflowers always turn their faces towards the sun, seeking to maximize their exposure to life-giving sunlight, the SFO algorithm seeks to optimize solutions by constantly orienting itself towards the most promising regions of the search space.

In the vast field of optimization problems, the SFO algorithm stands tall, its petals radiating with the warmth of efficient problem-solving. Each sunflower in the algorithm represents a potential solution, and as the algorithm progresses, these sunflowers dance in a mesmerizing pattern, their movements guided by the intensity of the sun's rays - the fitness function.

The beauty of the SFO algorithm lies in its ability to balance exploration and exploitation, just as a sunflower strikes a delicate equilibrium between soaking up the sun's energy and conserving its own resources. By intelligently navigating the search space, the algorithm ensures that no stone is left unturned in the quest for the optimal solution.

As the algorithm unfolds, the sunflowers converge towards the global optimum, their petals intertwining in a stunning display of collaboration and synergy. The final result is a solution that stands out like a vibrant sunflower in a field of ordinary optimization techniques - a testament to the power and elegance of nature-inspired computing.

In the grand tapestry of optimization algorithms, the Sunflower Optimization algorithm blooms with the promise of efficient, effective, and inspiring problem-solving. It reminds us that sometimes, the key to unlocking the most complex challenges lies in the simple, yet profound, wisdom of nature itself.

=========Biological and Natural Behavior=========
Sunflowers move towards the strongest source of light. This can be calculated using the following mathematical formula:

I = P/(4pid^2)

where I is the intensity of sunlight, P is the power of the sun, and d is the distance between the sun and the sunflower.

=========Adjusting the Orientation of Sunflowers=========
Each sunflower adjusts its orientation towards the sun as shown in the following equation:

S(i) = X* - Xi / ||X* - Xi||

where X* is the global best solution, Xi is the current solution, and n is the population size.

=========Facing the Sun=========
Each sunflower faces the sun according to the following equation:

di = Y(angle) * Pi( ||Xi + Xi-1|| * ||Xi + Xi-1|| )

where Y(angle) is the angle of the sunflower, and Pi( ||Xi + Xi-1||) is the probability of pollination between the nearest sunflowers. This generates a new sunflower based on the distance between the two sunflowers.

=========Limiting the Sunflower's Range=========
Each sunflower's position is limited to the following formula:

d(max) = || X(max) - X(min) || / 2 * n

where X(max) and X(min) are the maximum and minimum limits, and n is the population size.

=========Updating the Sunflower's Position=========
Each sunflower changes position to create a new sunflower in the following equation:

X(i+1) = X(i) + d(i) * s(i)

where Xi+1 is the position of the new sunflower (individual).

=========Algorithm Guidelines=========
The algorithm for improving sunflowers' efficiency is as follows:

Set the initial parameters for the death rate (m), population size (n), pollination rate (P), and maximum iteration (mazitr), e.g., m = 1, n = 50, P = 20, mazitr = 80.
Set t = 0.
Create a population of sunflowers X(i) E (L,U] randomly, where i = 1,2,3,...,n, similar to the genetic population, or we can set population = n.
Evaluate the fitness function of each sunflower in the population X.
Select the best sunflower from the overall population X.
Adjust all sunflowers' position towards the sun as shown in equation 5.
While True:
	Calculate the movement direction of the fitness function as a vector for all individuals.
	Remove the worst m% of sunflowers.
	Calculate the process of individuals moving towards the sun as shown in equation 6.
	Fertilize the best sunflowers in this round of sun.
	Check the maximum value, as shown in item 7.
	Update the data as shown in item 8.
	Evaluate new individuals.
	Accept new individuals if their fitness value is better than the current value.
	Set t = t+1.
If t > mazitr, exit the loop.
Display the best result.

Thai

SFO (Sunflower Optimization) เป็นอัลกอริทึมที่ได้รับแรงบันดาลใจจากธรรมชาติอันน่าหลงใหล โดยอิงจากพฤติกรรมเฉพาะของดอกทานตะวัน เช่นเดียวกับที่ดอกทานตะวันหันหน้าเข้าหาดวงอาทิตย์เสมอ เพื่อให้ได้รับแสงแดดที่ให้ชีวิตมากที่สุด อัลกอริทึม SFO ก็พยายามหาทางเลือกที่ดีที่สุดโดยปรับทิศทางตัวเองไปสู่บริเวณที่มีแนวโน้มที่ดีที่สุดของพื้นที่ค้นหาอยู่เสมอ

ในโลกแห่งปัญหาการหาค่าที่เหมาะสมอันกว้างใหญ่ อัลกอริทึม SFO ตั้งตระหง่าน กลีบดอกของมันแผ่รังสีความอบอุ่นของการแก้ปัญหาอย่างมีประสิทธิภาพ ดอกทานตะวันแต่ละดอกในอัลกอริทึมแทนทางแก้ปัญหาที่อาจเป็นไปได้ และเมื่ออัลกอริทึมดำเนินการต่อไป ดอกทานตะวันเหล่านี้จะร่ายรำอย่างตระการตา โดยมีการเคลื่อนไหวตามความเข้มของแสงอาทิตย์ - ฟังก์ชันวัดประสิทธิภาพ

ความงดงามของอัลกอริทึม SFO อยู่ที่ความสามารถในการสร้างสมดุลระหว่างการสำรวจและการใช้ประโยชน์ เช่นเดียวกับที่ดอกทานตะวันมีความสมดุลอันละเอียดอ่อนระหว่างการดูดซับพลังงานจากดวงอาทิตย์และการอนุรักษ์ทรัพยากรของตัวเอง ด้วยการนำทางพื้นที่ค้นหาอย่างชาญฉลาด อัลกอริทึมจะทำให้แน่ใจว่าไม่มีหินก้อนใดถูกมองข้ามไปในการค้นหาทางออกที่ดีที่สุด

ขณะที่อัลกอริทึมคลี่คลาย ดอกทานตะวันจะมุ่งไปสู่ค่าที่เหมาะสมที่สุดในระดับโลก กลีบดอกของพวกมันจะประสานกันอย่างน่าทึ่งในการแสดงถึงการร่วมมือและการประสานพลัง ผลลัพธ์สุดท้ายคือทางออกที่โดดเด่นราวกับดอกทานตะวันสีสันสดใสในทุ่งเทคนิคการหาค่าที่เหมาะสมธรรมดา ๆ ซึ่งเป็นเครื่องพิสูจน์ถึงพลังและความงดงามของการคำนวณที่ได้รับแรงบันดาลใจจากธรรมชาติ

ในผืนผ้าใหญ่ของอัลกอริทึมการหาค่าที่เหมาะสม อัลกอริทึม Sunflower Optimization ผลิบานด้วยคำมั่นสัญญาของการแก้ปัญหาที่มีประสิทธิภาพ ได้ผล และสร้างแรงบันดาลใจ มันเตือนเราว่าบางครั้ง กุญแจสำคัญในการไขปัญหาที่ซับซ้อนที่สุดนั้นอยู่ในภูมิปัญญาอันเรียบง่ายแต่ลึกซึ้งของธรรมชาติเอง

=========พฤติกรรมทางชีวภาพและธรรมชาติ=========
จะเคลื่อนที่เข้าหาแสงที่มีความเข็มแสงมากที่สุดโดยเราสามารถคำนวณได้โดย ใช้สูตรทางคณิตศาสตร์ ดังนี้

I = P/(4*pi*d^2)

เป็นสูตรในการหาความเข้มของแสงโดยเฉพาะ โดยที่ I คือความเข้มของการแผ่รังสีดวงอาทิตย์ P คือพลังของดวงอาทิตย์ d คือระยะห่างระหว่างดวงอาทิตย์กับดอกทานตะวันแต่ละดวง

=========การปรับทิศทางดอกทานตะวัน=========
ดอกทานตะวันแต่ละดอกจะปรับทิศทางของมันไปที่ ดวงอาทิตย์ดังแสดงในสมการต่อไปนี้

S(i) = X* - Xi / ||X* - Xi||      i = 1,2,.....,n

โดยที่ X* คือคำตอบที่ดีที่สุดโดยรวม Xi คือคำตอบปัจจุบัน n คือขนาดประชากร

ขั้นตอนต่อมา ดอกทานตะวันจะหันเข้าหาดวงอาทิตย์ มีแสดงดังนี้

di = Y(มุม) * Pi( ||Xi + Xi-1|| * ||Xi + Xi-1|| )

โดยจะมี Y(มุม) = มุมความเฉื่อยของดอกทานตะวัน Pi( ||Xi + Xi-1||) = ความน่าจะเป็นของการผสมเกสรที่ดอกทานตะวันแต่ละชนิดของดอกทานตะวัน กับดอกทานตะวันที่อยู่ใกล้ที่สุด เพื่อสร้างดอกทานตะวันใหม่ในตำแหน่งใหม่โดยพิจารณาจากระยะห่างระหว่างดอกทานตะวันทั้งสองตัว

และสุดท้าย คือ การกำหนดลิมิตของดอกทานตะวันแต่ละขั้นถูกจำกัดไม่ให้เกินค่าต่อไปนี้ ด้วยสูตร

d(max)  = || X(max) - X(min) || / 2 * n

โดยที่ X(max) และ X(min) เป็นลิมิตที่มากที่สุดและลิมิตที่น้อยที่สุด n คือ จำนวนประชากรของดอกทานตะวัน

=========อัพเดทตำแหน่งดอกทานตะวัน=========
ดอกทานตะวันแต่ละชนิด มีการเปลี่ยนตำแหน่งเพื่อผลิตดอกทานตะวันรุ่นใหม่ตามทิศทาง ( ขึ้นตก Sun ) และขั้นตอนของดอกทานตะวันที่มุ่งสู่ดวงอาทิตย์ ( การหันหน้าเข้าหาดวงอาทิตย์ )ดังนี้ โดยใช้สูตร

X(i+1)  = X(i) + d(i) * s(i)

โดยที่ Xi+1 คือตำแหน่งของดอกทานตะวันที่สร้างขึ้นใหม่ (รายบุคคล)

แนวทางการเขียนโค้ด

อัลกอริธึมการเพิ่มประสิทธิภาพดอกทานตะวัน 1: ตั้งค่าเริ่มต้นสำหรับอัตราการตาย m, ขนาดประชากร n, อัตราการผสมเกสร P และจำนวนการวนซ้ำสูงสุด mazitr เช่น m = 1 ; n = 50 ; P = 20 ; mazitr = 80

2: ตั้งค่า t = 0

3: สร้างประชากร X(i) E (L,U] แบบสุ่ม , i = 1,2,3,...,n จะคล้ายกับในส่วนของ Genetic หรือเราสามารถปรับได้เป็น population = n

4: การทำประเมิน Fitness Function รายต้นของดอกทานตะวัน ในประชากรที่เรากำหนดไว้ทั้งหมด ประเมินสมรรถภาพร่างกายของบุคคล (ทานตะวัน) ในประชากร 1,.. ,n. = S(X).

5: เลือกดอกที่ดีที่สุดจากโดยรวมของประชากร X

6: ปรับบุคคลทั้งหมด (ดอกทานตะวัน) ปรับตำแหน่งไปทางดวงอาทิตย์ ดังแสดงในสมการที่ 5

7: While Ture:

8 : คำนวณทิศทางการเคลื่อนที่ ของค่า Fitness เป็นรูปแบบเวกเตอร์ ให้กับทุกประชากร

9: ลบดอกไม้ที่มีค่าแย่ที่สุดออกไป ค่า m%

10: คำนวณขั้นตอนของบุคคลเข้าหาดวงอาทิตย์ดังในข้อที่ 6

11: ให้ปุ๋ยดอกทานตะวันที่ดีที่สุดรอบดวงอาทิตย์

12: ตรวจสอบค่าที่มากที่สุด ตามที่แสดงในข้อที่ 7

13: อัพเดตข้อมูล ดังข้อที่ 8

14: ประเมินบุคคลใหม่

15: ยอมรับบุคคลใหม่หากค่าความฟิตของดอกใหม่ดีกว่าค่าปัจจุบัน

16: ตั้ง t = t+1

17: ถ้า t > mazitr ให้ออกจากลูป

18: แสดงผลลัพธ์ที่ดีที่สุดออกมา

สมาชิกผู้จัดทำ

จัดทำโดยนักศึกษาสถาบันการจัดการปัญญาภิวัฒน์ (PIM) ชั้นปีที่ 3
นายศิวกฤษฏิ์ กล้วยไม้เจริญ 6252500020
https://www.facebook.com/profile.php?id=100010958970680

นายภูริต เหล่ารุ่งเกียรติ 6252500127
https://www.facebook.com/purit.luarungkiat

นายพงษ์ปรีชา รัตนสร้อย 6252500283
https://www.facebook.com/ktiger555/

นายชินดนัย โสรบุตร 6252500526
https://www.facebook.com/profile.php?id=100002221170767

นายจิรสิน เทศรุ่งเรือง 6252500569
https://www.facebook.com/nstang.jinnapot

| สร้างไฟล์ README | https://dillinger.io/ |

สามารถติดตามผลงานได้...https://github.com/tooe81948

About

SFO (Sunflower Optimization) is an algorithm inspired by sunflowers. Just as sunflowers always turn their faces towards the sun to maximize their exposure to life-giving sunlight, the SFO algorithm seeks to find the best solutions by consistently adjusting its direction towards the most promising areas of the search space.

Topics

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published