منوی کاربری
  • پشتیبانی: ۴۲۲۷۳۷۸۱ - ۰۴۱
  • سبد خرید

ترجمه مقاله الگوریتم سریع و نخبه گرای مرتب سازی ژنتیکی غیر مغلوب برای بهینه سازی چندمنظوره - نشریه اشپرینگر

ترجمه مقاله الگوریتم سریع و نخبه گرای مرتب سازی ژنتیکی غیر مغلوب برای بهینه سازی چندمنظوره - نشریه اشپرینگر
قیمت خرید این محصول
۲۹,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
الگوریتم سریع و نخبه گرای مرتب سازی ژنتیکی غیر مغلوب برای بهینه سازی چندمنظوره: NSGA-II
عنوان انگلیسی
A Fast Elitist Non-dominated Sorting Genetic Algorithm for Multi-objective Optimization: NSGA-II
صفحات مقاله فارسی
12
صفحات مقاله انگلیسی
10
سال انتشار
2000
نشریه
اشپرینگر - Springer
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده و pdf
نوع مقاله
ISI
نوع ارائه مقاله
کنفرانس
رفرنس
دارد ✓
کد محصول
9662
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رشته های مرتبط با این مقاله
زیست شناسی
گرایش های مرتبط با این مقاله
بیوانفورماتیک و ژنتیک
کنفرانس
کنفرانس بین المللی حل مسائل موازی از طبیعت - International Conference on Parallel Problem Solving from Nature
دانشگاه
آزمایشگاه الگوریتم ژنتیک، موسسه فناوری هندی Kanpur، هند
doi یا شناسه دیجیتال
https://doi.org/10.1007/3-540-45356-3_83
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
مقدمه
پیچیدگی محساباتی بالا در مرتب سازی غیرمغلوب
فاقد نخبه گرایی
نیاز به تعیین پارامتر اشتراک(shareσ(
الگوریتم های نخبه گرای تکاملی چند منظوره
الگوریتم نخبه گرای مرتب سازی ژنتیکی غیر مغلوب (NSGA-II)
یک روش سریع مرتب سازی غیرمغلوب
برآورد تراکم
عملگر مقایسه ازدحام
حلقه اصلی
نتایج
نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Abstract. Multi-objective evolutionary algorithms which use non-dominated sorting and sharing have been mainly criticized for their (i) 0{MN^) computational complexity (where M is the number of objectives and N is the population size), (ii) non-elitism approach, and (iii) the need for specifying a sharing parameter. In this paper, we suggest a non-dominated sorting based multi-objective evolutionary algorithm (we called it the Non-dominated Sorting GA-II or NSGA-II) which alleviates all the above three difficulties. Specifically, a fast non-dominated sorting approach with O(MN^) computational complexity is presented. Second, a selection operator is presented which creates a mating pool by combining the parent and child populations and selecting the best (with respect to fitness and spread) N solutions. Simulation results on five difficult test problems show that the proposed NSGA-II, in most problems, is able to find much better spread of solutions and better convergence near the true Pareto-optimal front compared to PAES and SPEA—two other elitist multi-objective EAs which pay special attention towards creating a diverse Pareto-optimal front. Because of NSGA-II's low computational requirements, elitist approach, and parameter-less sharing approach, NSGA-II should find increasing applications in the years to come.
نمونه چکیده ترجمه متن فارسی
چکیده
الگوریتم های تکاملی چند منظوره ای که از اشتراک گذاری و مرتب سازی چند منظوره استفاده می کنند، عمدتا به خاطر
(i) پیچیدگی محاسبانی O(MN3)) که M شماره هدف و N اندازه جمعیت است) مورد انتقاد قرار گرفته اند.
(ii) رویکرد غیر نخبه گرایی
(iii) نیاز به تعیین پارامتراشتراک
در این مقاله، ما یک مرتب سازی غیرمغلوب براساس الگوریتم تکاملی چند منظوره ( به طور خلاصه مرتب سازی غیرمغلوب GA-II یا NSGA-II) را مطرح می کنیم که هر سه مشکل ذکرشده در بالا را برطرف می کند.به طور خاص، یک روش مرتب سازی سریع غیرمغلوب با پیچیدگی محاسباتی O(MN2) ارائه می گردد.ثانیا، انتخاب اپراتوری که یک استخرجفت گیری را با ترکیب جمعیت های والدین و فرزندان و انتخاب بهترین پاسخ از بین N پاسخ ( از لحاظ سازگاری و گستردگی) ایجاد می کند، ارائه می گردد. نتایج شبیه سازی روی پنج مسئله مشکل نشان می دهد که NSGA-II، در اکثر مسائل، قادر به پیداکردن پاسخ های بیشتری در مقایسه با PAES و SPEA- دو مورد از دیگر EA های چندمنظوره نخبه گرا که توجه خاصی به ایجاد جبهه متنوع بهینه پارتو (Pareto )دارد- همگرایی بهتری با جبهه بهینه پارتو واقعی دارد. به خاطر نیازهای کم محاسباتی NSGA-II، روش نخبه گرا و روش اشتراک بدون پارامتر، NSGA-II بکاربردهای بیشتری در سال های پیش رو خواهد داشت.

بدون دیدگاه