ترجمه مقاله طراحی معماری سازمانی با متد توسعه معماری TOGAF – نشریه IOP
مبلغ : 34800 تومان
سال انتشار : 2019
ترجمه مقاله GDE3: سومین مرحله تکامل از تکامل تفاضلی تعمیم یافته – نشریه IEEE
| عنوان فارسی: | GDE3: سومین مرحله تکامل از تکامل تفاضلی تعمیم یافته |
| عنوان انگلیسی: | GDE3: The third Evolution Step of Generalized Differential Evolution |
| تعداد صفحات مقاله انگلیسی : 11 | تعداد صفحات ترجمه فارسی : 17 (2 صفحه رفرنس انگلیسی) |
| سال انتشار : 2005 | نشریه : آی تریپل ای - IEEE |
| فرمت مقاله انگلیسی : pdf | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
| فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
| نوع مقاله : ISI | پایگاه : اسکوپوس |
| نوع ارائه مقاله : کنفرانس | ایمپکت فاکتور(IF) مجله : 17.126 در سال 2020 |
| شاخص H_index مجله : 180 در سال 2021 | شاخص SJR مجله : 3.463 در سال 2020 |
| شناسه ISSN مجله : 1089-778X | شاخص Q یا Quartile (چارک) : Q1 در سال 2020 |
| وضعیت ترجمه : ترجمه شده و آماده دانلود | کد محصول : 12224 |
| محتوای فایل : zip | حجم فایل : 1.65Mb |
| رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر، مهندسی الگوریتم ها و محاسبات و مهندسی نرم افزار |
| مجله/کنفرانس: کنگره IEEE در محاسبات تکاملی - IEEE Congress on Evolutionary Computation |
| دانشگاه: گروه فناوری اطلاعات، دانشگاه فناوری لاپینرانتا، فنلاند |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده 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 ✓ |
| ضمیمه: ندارد ☓ |
| بیس: نیست ☓ |
| مدل مفهومی: ندارد ☓ |
| پرسشنامه: ندارد ☓ |
| متغیر: ندارد ☓ |
| فرضیه: ندارد ☓ |
| رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
| رفرنس در ترجمه: در انتهای مقاله درج شده است |
| doi یا شناسه دیجیتال: https://doi.org/10.1109/CEC.2005.1554717 |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب
چکیده
1. مقدمه
2. بهینه سازی چند هدفه با محدودیتها
3. تفاضل تکاملی
4. تکامل تفاضلی تعمیم یافته
5. آزمایشات
5.1. بهینه سازی تک هدفه
5.2. مسئله آزمایشی دو هدفه
5.3 . مسئله طراحی مکانیکی دو هدفه
5.4 مسئله های آزمایشی دوهدفه محدود
5.5 مسئله های آزمایشی سه هدفه
6 نتیجه گیری و تحقیقات آینده
منابع
نمونه متن انگلیسی
Abstract
A developed version of Generalized Differential Evolution, GDE3, is proposed. GDE3 is an extension of Differential Evolution (DE) for global optimization with an arbitrary number of objectives and constraints. In the case of a problem with a single objective and without constraints GDE3 falls back to the original DE. GDE3 improves earlier GDE versions in the case of multi-objective problems by giving a better distributed solution. Performance of GDE3 is demonstrated with a set of test problems and the results are compared with other methods.
1 Introduction
During the last 15 years, Evolutionary Algorithms (EAs) have gained popularity in solving difficult multiobjective optimization problems (MOOPs) since EAs are capable of dealing with objective functions, which are not mathematically well behaving, e.g., discontinuous, non-convex, multi-modal, and non-differentiable. Multi-objective EAs (MOEAs) are also capable of providing multiple solution candidates in a single run, which is desirable with MOOPs.
6 Conclusions and Future Research
The third evolution version of Generalized Differential Evolution, GDE3, is proposed. GDE3 is designed for any number of objectives and constraints without introducing any extra control parameters to the original DE. In the case of unconstrained single-objective optimization problems, GDE3 is exactly the same as the original DE.
نمونه متن ترجمه
چکیده
در این مقاله، GDE3 که یک نسخه پیشرفته از تکامل تفاضلی تعمیم یافته است، مطرح می شود. GDE3 تعمیمی از تکامل تفاضلی (DE) برای بهینه سازی جهانی با یک تعداد اختیاری از اهداف و محدودیتهاست. در مورد مسئله ای که تنها یک هدف دارد و هیچ محدودیتی ندارد، GDE3 به DE اصلی تغییر موضع می دهد. GDE3 با ارائه راه حلی که از توزیع بهتری برخوردار است، نسخه های قدیمی GDE را در خصوص مسائل چندهدفه بهبود می بخشد. عملکرد GDE3 با مجموعه ای از مسائل آزمایشی نشان داده می شود و نتایج را می توان با سایر روشها مورد مقایسه قرار داد.
1. مقدمه
در طی 15 سال گذشته، الگوریتمهای تکاملی (EAs)در حل مسائل دشوار بهینه سازی چندهدفه (MOOPs) به محبوبیت رسیده اند، زیرا EAها می توانند به توابع هدف که به لحاظ ریاضی رفتار خوبی ندارند (برای مثال، داده های ناپیوسته، غیرمحدب، هم آمیخته، و مشتق ناپذیر) مربوط باشند. الگوریتمهای تکاملی چندهدفه (MOEAs) همچنین می توانند چندین گزینه راه حل را در یک اجرا فراهم آورند که برای مسائل دشوار بهینه سازی چندهدفه (MOOPs)، مطلوب می باشند.
6. نتیجه گیری و تحقیقات آینده
سومین نسخه تکاملی از تکامل تفاضلی تعمیم یافته، GDE3 ، در این مقاله مطرح شد. GDE3 برای هر تعداد هدف و محدودیت و بدون معرفی هیچ گونه پارامترهای کنترل اضافی برای تکامل تفاضلی (DE) اولیه طراحی شده است. در خصوص مسائل بهینه سازی تک هدفه نامحدود، GDE3 دقیقا مانند تکامل تفاضلی (DE) اولیه است.
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
