ترجمه مقاله نقش ضروری ارتباطات 6G با چشم انداز صنعت 4.0
- مبلغ: ۸۶,۰۰۰ تومان
ترجمه مقاله پایداری توسعه شهری، تعدیل ساختار صنعتی و کارایی کاربری زمین
- مبلغ: ۹۱,۰۰۰ تومان
Engineering design studies can often be cast in terms of optimization problems. However, for such an approach to be worthwhile, designers must be content that the optimization techniques employed are fast, accurate and robust. This paper describes recent studies of convergence and robustness problems found when applying genetic algorithms (GAS) to the constrained, multi-peak optimization problems often found in design. It poses a two-dimensional test problem which exhibits a number of features designed to cause difficulties with standard GAS and other optimizers. The application of the GA to this problem is then posed as a further, essentially recursive problem, where the control parameters of the GA must be chosen to give good performance on the test problem over a number of optimization attempts. This overarching problem is dealt with both by the GA and also by the technique of simulated annealing. It is shown that, with the appropriate choice of control parameters, sophisticated niche forming techniques can significantly improve the speed and performance of the GA for the original problem when combined with the simple rejection strategy commonly employed for handling constraints. More importantly, however, it also shows that more sophisticated multi-pass, constraint penalty functions, culled from the literature of classical optimization theory, can render such methods redundant, yielding good performance with traditional GA methods.
مطالعات طراحی مهندسی اغلب در حوزه مسائل بهینهسازی جای میگیرد. با این حال، برای این که یک رهیافت مناسب ارائه شود طراحان باید به دنبال تکنیک هایی باشند که سریع، دقیق و قدرتمند باشند. این مقاله پژوهشهای اخیر در مورد همگرایی و قدرت در حل مسائل چنداوجی که اغلب در کار طراحان پیش میآید را توسط الگوریتم ژنتیک (GA) مورد بررسی قرار میدهد. مسأله آزمون دوبعدی که تعدادی از ویژگیهای طرح ها با عث سخت شدن آن شدهاند را توسط الگوریتم ژنتیک و دیگر بهینهکننده ها مد نظر قرار داده ایم. همچنین یک مسأله بازگشتی را نیز به کار گرفته ایم به طوری که پارامترهای کنترل الگوریتم ژنتیک باید انتخاب شوند تا جواب خوبی نتیجه شود. این مسأله فراگیر، با استفاده از الگوریتم ژنتیک و همچنین با تکنیک بازپخت شبیه سازی شده مورد بررسی قرار میگیرد. نشان داده می شود که با انتخاب مناسب در مورد پارامترهای کنترل، تکنیکهای تشکیل نیچ به طور چشمگیری سرعت و عملکرد الگوریتم ژنتیک را برای مسأله اصلی بهبود می بخشد هنگامی که با راهکار طرد معمول برای تعامل با قیدها ترکیب میشوند. از همه مهمتر، نشان میدهیم که توابع جریمه قیدی و چندگذره پیچیده که از ادبیات موضوعی مربوط به نظریه بهینهسازی کلاسیک انتخاب شده اند می توانند این روش ها را زائد نشان دهند برای روشهای الگوریتم ژنتیک سنتی عملکرد خوبی داشته باشند.