مقاله ترجمه شده رشته کامپیوتر و آی تی با عنوان الگوریتم های تکاملی برای بهینه سازی چند موردی ‏ عنوان انگلیسی : Evolutionary Algorithms for Multi C

مقاله ترجمه شده رشته کامپیوتر و آی تی با عنوان الگوریتم های تکاملی برای بهینه سازی چند موردی ‏ عنوان انگلیسی : Evolutionary Algorithms for Multi C

این مقاله به بررسی برخی از الگوریتم های تکاملی معروف و مقایسه ی نظام مند آنها پرداخته است‎‎‏ ‏سپس مسائل بهینه سازی و چند هدف را نشان داده و اهمیت آنها را بررسی می کنند‎‎‏

مشخصات فایل

تعداد صفحات۲۷
حجم۰/۴۶ کیلوبایت
فرمت فایل اصلیdoc

توضیحات کامل

مقاله ترجمه شده رشته کامپیوتر و آی تی با عنوان الگوریتم های تکاملی برای بهینه سازی چند موردی

 
 
عنوان انگلیسی : 

Evolutionary Algorithms for Multi Criterion Optimization : A Survey

 
 
 
 
چکیده :
این مقاله به بررسی برخی از الگوریتم های تکاملی معروف و مقایسه ی نظام مند آنها پرداخته است‎.‎‏ ‏سپس مسائل بهینه سازی و چند هدف را نشان داده و اهمیت آنها را بررسی می کنند‎.‎‏ پس از آن بر روی ‏الگوریتم های چند هدفه تمرکز کرده که در حال حاضر توسط بسیاری محققان انجام می شود و محاسن و ‏معایب این الگوریتم تکاملی را بررسی کرده است ‏‎(MDEAS)‎‏ در نهایت روند آن در آینده و برخی ‏از مسیر های ممکن تحقیقات را ارائه نموده است. ‏
 
 
کلیدواژه ها:

‎الگوریتم های تکاملی

بهینه های چند معیاری

راه حل پارتو تحت سلطه و غیر تحت سلطه

 
 
مقدمه :
تکنیک های تکاملی به منظور بهینه سازی تک هدفه بیش از سه دهه است که مورد استفاده قرار می ‏گیرد اما کشف کردن که مشکلات دنیای واقعی به طور طبیعی به صورت چند هدف می باشد. در حال ‏حاضر بهینه سازی چند هدفه به یک موضوع بسیار محبوب بین محققین در آمده است. اما هنوز هم ‏بسیاری از سوالات بی پاسخ در این حوزه وجود دارد. در واقع حتی یک مورد پذیرش بین المللی در ‏رابطه با تعریف مطلوب از هدف بهینه سازی وجود ندارد; که باعث می شود حتی آن قابل مقایسه با روش ‏های دیگر شود. چرا که به طور معمول تصمیم گیری در مورد آنچه که بهترین پاسخ را به اصطلاح انسان ‏در تصمیم گیری دارد. 
 
از آنجایی که بهینه سازی چند معیار دارد و ممکن است این معیار ها با هم ‏تفاضل داشته باشند معمولا برای ارائه راه حل برای آنها و ارائه یک معیار واحد مشکلاتی وجود دارد. اما در ‏نهایت راه حل این مشکل معمولا با تنظیم پارامترهای مختلف توسط کاربر میسر است. علاوه بر این از ‏آنجا که معمولا از روش های بهینه سازی کلاسیک استفاده می شود تنها یک راه حل (پارتو) می تواند به ‏یک نتیجه نهایی برسد. بنابر این در جهت پیداکردن چند راه حل پارتو،الگوریتم های تکاملی بهترین ‏انتخاب می باشد. این الگوریتم اجازه می دهد تا یک مجموعه مکمل از راه حل های پارتو در یک ‏الگوریتم تعیین شود. علاوه بر این الگوریتم های تکاملی در روش پارتو از یک پیوستگی برخودار ‏هستند.‏
 
 
 
فهرست مطالب :
چکیده :‏ ‏2‏
کلید واژه :‏ ‏3‏
‎1-‎ مقدمه:‏ ‏3‏

‏2-الگوریتم های تکاملی :‏ ‏4‏

‏2-1 الگوریتم ژنتیکی :‏ ‏5‏

‏2-3 برنامه نویسی تکاملی :‏ ‏5‏

‏2-4 برنامه نویسی ژنتیکی:‏ ‏6‏

‏3-الگوریتم های تکاملی چند هدفه :‏ ‏7‏

مجموعه بهینه پارتو:‏ ‏8‏

تفاوت بین مجموعه غیر سلطه ای و مجموعه بهینه پارتو:‏ ‏8‏

‏4- روشهای مختلف ‏MOEA‏ :‏ ‏9‏

‏4-1 روش مجموع وزنی :‏ ‏10‏

الگوریتم :‏ ‏10‏

‏1- تولید جمعیت اولیه به صورت تصادفی :‏ ‏10‏

‏1- تابع تناسب برای هرفرد ‏11‏

مزایا و معایب :‏ ‏11‏

مدل فونسکا و فیلیمینگ:‏ ‏13‏

‏1-روش انتساب تناسب براسس رتبه ‏14‏

‏2-روش نیچ ‏14‏
مزایا و معایب:‏ ‏14‏

‏4-4 مدل هورن ناف پولیتس و گولد برگز ‏‎(NPGA)‎‏:‏ ‏14‏

تورنومنت سلطه پارتو:‏ ‏15‏

‏5-4 : روش پارتو با مدل زیتزلر و تیل ‏16‏

رتبه بندی افراد بر اساس سطح غیر سلطه :‏ ‏18‏

انتصاب تناسب :‏ ‏18‏
‏1-محاسبه و اندازه گیری از راه دور بایکی از راه های غیر تحت سلطه ‏19‏
فرمول ‏19‏
‏4-7 استراتژی تکامل برداری ‏‎(VOES)‎‏:‏ ‏20‏
‏4-8 الگوریتم ژنتیک براساس وزن‎(WBGA)‎‏:‏ ‏21‏
فرمول الگوریتم ‏22‏
روش برداریک ‏23‏
‏4-9 استراتژی تکامل شکار-طعمه‎(PPES)‎‏:‏ ‏23‏
‏4-10 الگوریتمژنتیکی ترمودینامیکال ‏‎(TDGM)‎‏:‏ ‏24‏
‏4-11 استراتژی تکاملی پارتو‎(PAES)‎‏:‏ ‏25‏
‏4-12 الگوریتم تکاملی نخبه گرایی رودلف:‏ ‏26‏
‏4-13 الگوریتم ژنتیکی نخبه گرایی غیر تحت سلطه‎(ENSGA)‎‏ :‏ ‏26‏

‏4-14 الگوریتم ژنتیک پارتو براساس فاصله ‏‎(DBPGA)‎‏ :‏ ‏27‏

 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.