دانلود ترجمه مقاله مقایسه روش بهینه سازی ازدحام ذرات و الگوریتم ژنتیکی

قیمت خرید این محصول

۲۰,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

مقایسه روش بهینه سازی ازدحام ذرات و الگوریتم ژنتیکی

عنوان انگلیسی

A COPMARISON OF PARTICLE SWARM ; OPTIMIZATION AND THE GENETIC ALGORITHM

صفحات مقاله فارسی

18

صفحات مقاله انگلیسی

13

سال انتشار

2005

نشریه

MIT

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

pdf و ورد تایپ شده

رفرنس

دارد

کد محصول

3070

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه نشده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

رشته های مرتبط با این مقاله

مهندسی کامپیوتر و مهندسی برق

گرایش های مرتبط با این مقاله

الگوریتم و محاسبات، مهندسی نرم افزار و مهندسی الکترونیک

دانشگاه

موسسه تکنولوژی، کمبریج، ماساچوست

فهرست مطالب

چکیده
مقدمه
PSO در برابر GA
بهینه سازی دسته ذرات
الگوریتم ژنتیکی
متریک های مقایسه و تست فرضیه
مسائل تست ملاک
تابع Banana
تابع Eggcrate
مسائل سیستم های فضایی
پیکره بندی آرایه تلسکوپ
طرح مبتنی بر پایایی ماهواره ارتباطی
بررسی و بحث
نتایج

نمونه چکیده متن اصلی انگلیسی

abstract

Particle Swarm Optimization (PSO) is a relatively recent heuristic search method whose mechanics are inspired by the swarming or collaborative behavior of biological populations. PSO is similar to the Genetic Algorithm (GA) in the sense that these two evolutionary heuristics are population-based search methods. In other words, PSO and the GA move from a set of points (population) to another set of points in a single iteration with likely improvement using a combination of deterministic and probabilistic rules. The GA and its many versions have been popular in academia and the industry mainly because of its intuitiveness, ease of implementation, and the ability to effectively solve highly nonlinear, mixed integer optimization problems that are typical of complex engineering systems. The drawback of the GA is its expensive computational cost. This paper attempts to examine the claim that PSO has the same effectiveness (finding the true global optimal solution) as the GA but with significantly better computational efficiency (less function evaluations) by implementing statistical analysis and formal hypothesis testing. The performance comparison of the GA and PSO is implemented using a set of benchmark test problems as well as two space systems design optimization problems, namely, telescope array configuration and spacecraft reliability-based design.

نمونه چکیده ترجمه متن فارسی

چکیده
روش بهینه سازی گروه ذرات (PSO) یک روش جستجوی ابتکاری نسبتاً تازه می باشد که مکانیک آن به واسطه رفتار گروهی یا مشترک جوامع زیستی تشویق شده است.PSO از این لحاظ شبیه الگوریتم ژنتیکی (GA) عمل می کند که دو روش ابتکاری تکاملی ، روشهای جستجوی بر مبنای جمعیت تلقی می گردند. به عبارت دیگر، PSO و GA در یک تکرار ، از یک سری نقطه (جمعیت) به یک سری نقاط دیگر رفته و با استفاده از قوانین قطعی و احتمالی ارتقاء می یابند.GA و بسیاری از ورژنهای آن به خاطر درک آن ، سهولت اجرا، و توانایی حل موثر مسائل بهینه سازی صحیح آمیخته ، غیر خطی که نمونه ای از سیستم های مهندسی پیچیده به شمار می روند، در آکادمی و صنعت شهرت زیادی کسب کرده اند.اشکال GA هزینه محاسباتی بسیار بالای آن می باشد.این مقاله تلاش می کند ادعای مطرح شده را بررسی نماید مبنی براینکه اثربخشی روش PSO همانند GA می باشد (یافتن راه حل بهینه کل) با این تفاوت که راندمان محاسباتی آن (ارزیابی کمتر تابع) با اجرای تحلیل آماری و تست فرضیه رسمی بهتر می باشد. مقایسه عملکرد GA و PSO با استفاده از مجموعه مسائل تست ملاک و دو مسئله بهینه سازی طراحی سیستم های فضا یعنی پیکره بندی آرایه تلسکوپ و طرح مبتنی بر پایایی فضاپیما انجام گرفته است.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی مهندسی برق