Natural selection has inspired researchers to develop and apply several intelligent optimization techniques in the past few decades. Generally, in artificial intelligence optimization, the particles follow a local or global best particle until finding an acceptable solution. In well‐ developed optimization techniques, such as swarm optimization (PSO) and the firefly algorithm (FA), getting around the initial optimal value of the group and randomly checking the effect of the surrounding points may lead to a better solution than the initial optimal value. The present work was inspired by the fascinating movement of Garra Rufa fish between two immersed legs during a regular “fish massage session.” A new optimization approach is proposed and modeled based on the movements of Garra Rufa fish, in which the particles are separated into groups, and the best optimal value leads each group for the group. Also, some of these particles are allowed to change groups depending on the fitness of the leaders of the groups. The suggested strategy is then compared with PSO and FA using multiple test optimization functions, such as the Ackley, Hartmann, Michalewicz, Shubert, Easom, Bohachevsky, and Rastrigin functions. Also, a multiobjective real issue in power system is tested using the proposed methods where the objectives were cumulative voltage deviation and power losses of three weight sets during the selection allocation of distribution generators. The results show that the proposed method provides good data and greater convergence to the optimal point compared with the classical methods for most of the functions tested.

中文翻译：

---

Garra Rufa 启发的优化技术

在过去的几十年里，自然选择激发了研究人员开发和应用多种智能优化技术。通常，在人工智能优化中，粒子遵循局部或全局最佳粒子，直到找到可接受的解决方案。在成熟的优化技术中，例如群优化 (PSO) 和萤火虫算法 (FA)，绕过组的初始最优值并随机检查周围点的影响可能会导致比初始最优解更好的解价值。本作品的灵感来自于定期“鱼按摩”期间 Garra Rufa 鱼在两条浸没的腿之间的迷人运动。基于 Garra Rufa 鱼的运动提出并建模了一种新的优化方法，其中粒子被分成几组，并以最佳最优值带领各组为组。此外，这些粒子中的一些被允许根据组的领导者的适应度改变组。然后使用多个测试优化函数（例如 Ackley、Hartmann、Michalewicz、Shubert、Easom、Bohachevsky 和 ​​Rastrigin 函数）将建议的策略与 PSO 和 FA 进行比较。此外，使用所提出的方法测试了电力系统中的多目标实际问题，其中目标是配电发电机选择分配过程中三个权重集的累积电压偏差和功率损失。结果表明，与经典方法相比，所提出的方法对大多数测试函数提供了良好的数据和更好的收敛性。这些粒子中的一些被允许根据组的领导者的适应度改变组。然后使用多个测试优化函数（例如 Ackley、Hartmann、Michalewicz、Shubert、Easom、Bohachevsky 和 ​​Rastrigin 函数）将建议的策略与 PSO 和 FA 进行比较。此外，使用所提出的方法测试了电力系统中的多目标实际问题，其中目标是配电发电机选择分配过程中三个权重集的累积电压偏差和功率损失。结果表明，与经典方法相比，所提出的方法对大多数测试函数提供了良好的数据和更好的收敛性。这些粒子中的一些被允许根据组的领导者的适应度改变组。然后使用多个测试优化函数（例如 Ackley、Hartmann、Michalewicz、Shubert、Easom、Bohachevsky 和 ​​Rastrigin 函数）将建议的策略与 PSO 和 FA 进行比较。此外，使用所提出的方法测试了电力系统中的多目标实际问题，其中目标是配电发电机选择分配过程中三个权重集的累积电压偏差和功率损失。结果表明，对于大多数测试的函数，与经典方法相比，所提出的方法提供了良好的数据和更好的收敛性。然后使用多个测试优化函数（例如 Ackley、Hartmann、Michalewicz、Shubert、Easom、Bohachevsky 和 ​​Rastrigin 函数）将建议的策略与 PSO 和 FA 进行比较。此外，使用所提出的方法测试了电力系统中的多目标实际问题，其中目标是配电发电机选择分配过程中三个权重集的累积电压偏差和功率损失。结果表明，与经典方法相比，所提出的方法对大多数测试函数提供了良好的数据和更好的收敛性。然后使用多个测试优化函数（例如 Ackley、Hartmann、Michalewicz、Shubert、Easom、Bohachevsky 和 ​​Rastrigin 函数）将建议的策略与 PSO 和 FA 进行比较。此外，使用所提出的方法测试了电力系统中的多目标实际问题，其中目标是配电发电机选择分配过程中三个权重集的累积电压偏差和功率损失。结果表明，与经典方法相比，所提出的方法对大多数测试函数提供了良好的数据和更好的收敛性。使用所提出的方法测试电力系统中的多目标实际问题，其中目标是配电发电机选择分配过程中三个权重集的累积电压偏差和功率损失。结果表明，与经典方法相比，所提出的方法对大多数测试函数提供了良好的数据和更好的收敛性。使用所提出的方法测试电力系统中的多目标实际问题，其中目标是配电发电机选择分配过程中三个权重集的累积电压偏差和功率损失。结果表明，与经典方法相比，所提出的方法对大多数测试函数提供了良好的数据和更好的收敛性。