ترجمه مقاله بهینه ‌سازی کلونی مورچگان مبتنی بر شاخص برای مسئله کوله‌ پشتی چند هدفه - نشریه الزویر

قیمت خرید این محصول

۳۳,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

بهینه ‌سازی کلونی مورچگان مبتنی بر شاخص برای مسئله کوله‌ پشتی چندهدفه

عنوان انگلیسی

Indicator Based Ant Colony Optimization for Multi-Objective Knapsack Problem

صفحات مقاله فارسی

18

صفحات مقاله انگلیسی

10

سال انتشار

2015

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

5357

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی کامپیوتر، مهندسی فناوری اطلاعات و مهندسی صنایع

گرایش های مرتبط با این مقاله

مهندسی الگوریتم و محاسبات، مدیریت سیستم های اطلاعاتی و بهینه سازی سیستم ها

مجله

کنفرانس بین المللی دانش محور و مهندسی و اطلاعات هوشمند

دانشگاه

دانشگاه مانوبا، تونس

کلمات کلیدی

بهینه‌سازی کلونی مورچگان چندهدفه؛ بهینه‌سازی شاخص باینری؛ مسئله کوله‌پشتی چندهدفه.

فهرست مطالب

1. مقدمه
2. مسائل بهینه‌سازی چندهدفه
3. بهینه‌سازی مبتنی بر شاخص
4. بهینه‌سازی کلونی مورچگان مبتنی بر شاخص
4.1. توصیف مسئله
4.2. توصیف الگوریتم
4.3. ایجاد راه‌حل
4.4. به‌روزرسانی پارتو
4.5. تخصیص سازگاری (برازندگی)
4.6. به روز رسانی ردهای فرومون
5. نتایج تجربی
5.1. تنظیم پارامترها
5.2. معیارهای عملکرد
5.3. نتایج مقایسه‌ای
6. نتیجه‌گیری

نمونه چکیده متن اصلی انگلیسی

Abstract

The use of metaheuristics to solve multi-objective optimization problems (MOP) is a very active research topic. Ant Colony Optimization (ACO) has received a growing interest in the last years for such problems. Many algorithms have been proposed in the literature to solve diơerent MOP. This paper presents an indicator-based ant colony optimization algorithm called IBACO for the multi-objective knapsack problem (MOKP). The IBACO algorithm proposes a new idea that uses binary quality indicators to guide the search of artificial ants. These indicators were initially used by Zitzler and Künzli in the selection process of their evolutionary algorithm IBEA. In this paper, we use the indicator optimization principle to reinforce the best solutions by rewarding pheromone trails. We carry out a set of experiments on MOKP benchmark instances by applying the two binary indicators: epsilon indicator and hypervolume indicator. The comparison of the proposed algorithm with IBEA, ACO and other state-of-the-art evolutionary algorithms shows that IBACO is significantly better on most instances

نمونه چکیده ترجمه متن فارسی

چکیده
استفاده از متاهیوریستیک (الگوریتم‌های فرا ابتکاری) برای حل مسائل بهینه‌سازی چندهدفه (MOP) یک موضوع تحقیقاتی بسیار فعال است. بهینه‌سازی کلونی مورچگان (ACO) در سال‌های گذشته اهمیت رو به رشدی برای این‌گونه مسائل پیدا کرده است. الگوریتم‌های بسیاری برای حل MOP های مختلف در ادبیات پیشنهاد شده‌اند. این تحقیق یک الگوریتم بهینه‌سازی کلونی مورچگان مبتنی بر شاخص (شاخص محور) را که IBACO نامیده می‌شود برای مسئله کوله‌پشتی چندهدفه (MOKP) ارائه می‌دهد. الگوریتم IBACO ایده جدیدی را معرفی می‌کند که از شاخص‌های کیفیت باینری برای هدایت جستجوی مورچه‌های مصنوعی استفاده می‌کند. این شاخص‌ها در ابتدا توسط زیتسلِر و کانزلی در فرآیند انتخاب الگوریتم تکاملی IBEA خود مورداستفاده قرار گرفتند. در این مقاله، ما از اصل بهینه‌سازی شاخص برای تقویت بهترین راه‌حل‌ها به‌وسیله پاداش دادن به ردهای فرومون استفاده می‌کنیم. ما مجموعه‌ای از آزمایش‌ها را بر روی نمونه‌های محک (مرجع) MOKP با اعمال دو شاخص باینری: شاخص اپسیلون و شاخص hypervolume انجام می‌دهیم. مقایسه الگوریتم پیشنهادی با IBEA، ACO و سایر الگوریتم‌های تکاملی پیشرفته نشان می‌دهد که IBACO در اکثر موارد به‌طور قابل‌توجهی بهتر است.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی فناوری اطلاعات IT، دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی مهندسی صنایع