مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 68 68 2026 4 19 Improvement of the Arctic Puffin Metaheuristic Algorithm Based on a Chaotic Map بهبود الگوریتم فرا ابتکاری پافین قطبی مبتنی بر نگاشت آشوب fa حمیدرضا قاسمی سبزوار علی اکبر نقابی گروه آموزشی مهندسی کامپیوتر و فنّاوری اطلاعات بابک لطفی دانشگاه آزاد اسلامی سبزوار 2025 7 21 <p style="padding-right: 60px; text-align: justify;">The Arctic Puffin Optimization (APO) algorithm, introduced in 2024, is inspired by the hunting behavior of puffins in aerial and marine environments and utilizes swarm intelligence concepts to model the collective movements of puffins. By employing various movement strategies, this algorithm aims to establish an appropriate balance between exploration and exploitation processes in the search space. However, the dependence of some search stages on random processes may lead to irregular variations in the movement trajectories of search agents, reduced control over population diversity, and an increased risk of premature convergence. In this study, an improved version of the Arctic Puffin Optimization algorithm, referred to as the Chaotic Arctic Puffin Algorithm (CAPA), is proposed. The proposed approach incorporates a Logistic chaotic map to enhance the generation quality of search-guiding parameters and improve the movement behavior of optimization agents. By exploiting the nonlinear properties and effective space-filling capability of chaotic sequences, the proposed mechanism aims to achieve a more effective balance between exploration and exploitation. The performance of the proposed algorithm is evaluated on 12 benchmark functions with different dimensions and compared with the original Arctic Puffin Optimization algorithm as well as several well-established metaheuristic algorithms, including Grey Wolf Optimizer (GWO), Whale Optimization Algorithm (WOA), Salp Swarm Algorithm (SSA), and their chaotic variants. The experimental results demonstrate that the Chaotic Arctic Puffin Algorithm improves solution quality, search stability, and convergence behavior compared with the original APO algorithm, while maintaining competitive performance against other reference methods. Furthermore, the results of the Wilcoxon signed-rank test and Friedman test confirm that the performance difference between the proposed algorithm and the original Arctic Puffin Optimization algorithm is statistically significant.&nbsp;</p> <p style="padding-right: 60px; text-align: justify;"><a href="#_ftnref1" name="_ftn1"></a></p> <p style="text-align: justify;">الگوریتم پافین قطبی که در سال ۲۰۲۴ معرفی شده، با الهام از رفتار شکار این پرنده در محیط&zwnj;های هوایی و دریایی طراحی شده و از مفاهیم هوش جمعی برای مدل&zwnj;سازی حرکت گروهی پافین&zwnj;ها استفاده می&zwnj;کند. این الگوریتم با بهره&zwnj;گیری از استراتژی&zwnj;های مختلف حرکتی، تلاش می&zwnj;کند تعادل مناسبی میان فرآیندهای اکتشاف و بهره&zwnj;برداری در فضای جستجو ایجاد کند. با این حال، وابستگی برخی از مراحل جستجوی این الگوریتم به فرآیندهای تصادفی می&zwnj;تواند موجب ایجاد تغییرات نامنظم در مسیر حرکت عامل&zwnj;ها، کاهش کنترل تنوع جمعیت و افزایش احتمال همگرایی زودهنگام شود.در این پژوهش، یک نسخه بهبودیافته از الگوریتم پافین قطبی با عنوان الگوریتم پافین قطبی آشوبی ارائه شده است که در آن از نگاشت آشوبی لجستیک به&zwnj;منظور بهبود کیفیت تولید مقادیر هدایت&zwnj;کننده جستجو و ارتقای رفتار حرکتی عامل&zwnj;ها استفاده می&zwnj;شود. سازوکار پیشنهادی با بهره&zwnj;گیری از ویژگی&zwnj;هایی نظیر غیرخطی بودن و پوشش مناسب فضای جستجو، تلاش می&zwnj;کند تعادل بهتری میان اکتشاف و بهره&zwnj;برداری ایجاد کند.عملکرد الگوریتم پیشنهادی بر روی ۱۲ تابع معیار در ابعاد مختلف ارزیابی شده و با الگوریتم پایه پافین قطبی و چندین الگوریتم فراابتکاری مطرح شامل گرگ خاکستری، بهینه&zwnj;سازی نهنگ، ازدحام سالپ&zwnj;ها و نسخه&zwnj;های آشوبی آن&zwnj;ها مقایسه شده است. نتایج تجربی نشان می&zwnj;دهد که الگوریتم پافین قطبی آشوبی در مقایسه با الگوریتم پایه پافین قطبی موجب بهبود کیفیت پاسخ&zwnj;ها، افزایش پایداری جستجو و رفتار همگرایی مناسب&zwnj;تر شده و در مقایسه با سایر روش&zwnj;های مرجع نیز عملکرد رقابتی ارائه می&zwnj;دهد. همچنین نتایج آزمون&zwnj;های آماری ویلکاکسون و فریدمن نشان داد که تفاوت عملکرد الگوریتم پیشنهادی نسبت به روش پایه الگوریتم پافین قطبی از نظر آماری معنادار است.</p> http://jour.aicti.ir/ar/Article/Download/50911