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
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.
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.