مقاله بهینه سازی چندهدفه با استفاده از الگوریتم های تکاملی

قیمت خرید این محصول

۱۲۰,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

بهینه سازی چندهدفه با استفاده از الگوریتم های تکاملی: یک مطالعه موردی مقایسه ای

عنوان انگلیسی

Multiobjective Optimization Using Evolutionary Algorithms A Comparative Case Study

صفحات مقاله فارسی

صفحات مقاله انگلیسی

سال انتشار

2006

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

سایز ترجمه مقاله

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فرمت مقاله انگلیسی

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

نشریه

اشپرینگر - Springer

نوع ارائه مقاله

کنفرانس

نوع مقاله

ISI

کد محصول

12647

بیس

نیست ☓

پرسشنامه

ندارد ☓

رفرنس در ترجمه

در انتهای مقاله درج شده است

ضمیمه

ندارد ☓

فرضیه

ندارد ☓

متغیر

ندارد ☓

مدل مفهومی

ندارد ☓

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است ☓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

doi یا شناسه دیجیتال

https://doi.org/10.1007/BFb0056872

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر - مهندسی نرم افزار - مهندسی الگوریتم ها و محاسبات

کنفرانس

International Conference on Parallel Problem Solving from Nature

۰.۰ (هنوز امتیازی ثبت نشده است)

چکیده
1-مقدمه
2- الگوریتم‌های تکاملی چندهدفه
3- مسئله کوله‌پشتی
4- آزمایش‌ها
5- نتیجه‌گیری و چشم‌انداز آتی
منابع

چکیده

از سال 1985 چند روش تکاملی برای بهینه‌سازی چندهدفه توسعه یافته است که قادر به یافتن چند راه‌حل در یک دور اجرا (run) هستند. با این حال، اکثر مطالعاتِ مقایسه‌ای که در دسترس هستند، به صورت کیفی بوده و محدود به دو روش اصلی می‌شوند. در این مقاله یک مقایسه گسترده و کمّی عرضه شده است که از 4 الگوریتم‌ تکاملی چندهدفه برای مسئله 1/0 کوله‌پشتی (knapsack problem) استفاده می‌کند.

الگوریتم‌های تکاملی چندهدفه

مروری جامع بر الگوریتم‌های تکاملی در بهینه‌سازی چندهدفه در مقاله‌ای از فونسکا و فلمینگ صورت گرفته‌ است. نویسندگان این مقاله چند روش تکاملی را بررسی کرده‌اند که شامل روش‌های انباشت ساده، روش‌های جمعیتی غیرپارتو و روش‌های مبتنی بر پارتو می‌شود. همچنین روش‌های استفاده از القای همسایگی (niche) نیز آورده شده‌اند.

روش‌های انباشتی به ترکیب‌کردن اهداف درون یک تابع نردبانی بالاتر مشغول‌اند که برای محاسبات شایستگی (fitness) از آنها استفاده می‌شود. این روش‌ها یک راه‌حل منفرد (single) فراهم می‌آورند و نیازمند داشتن دانش عمیقی هستند که معمولاً دردسترس نیست. روش‌های جمعیتی غیرپارتو قادر هستند تا راه‌حل‌های غیرمغلوبی را به صورت موازی پیدا کرده و بنابراین جمعیت اساساً برای راه‌حل‌های غیرمغلوب کنترل می‌شود. اما برعکس روش‌های پارتو، روش‌های جمعیتی غیرپارتو از مفهومِ غلبه (dominance) پارتو به طور مستقیم استفاده نمی‌کنند. الگوریتم‌های تکاملی پارتو، راه‌حل‌ها را بر اساس رابطه > مقایسه می‌کنند تا احتمالِ تولیدمثل هر فرد را محاسبه کنند. اولین بار این نوع مسئله شایستگی را گلدبرگ پیشنهاد داد.

قیمت خرید این محصول

۱۲۰,۰۰۰ تومان