دانلود ترجمه مقاله بهینه سازی تکاملی چند هدفه مبنی بر الگوریتم کان مانکرز – نشریه اسپرینگر

• فهرست مطالب:

چکیده
۱-مقدمه
۲ الگوریتم کان مانکرز
۳ رویکرد پیشنهادی ما
۳٫۱ ایجاد بردارهای وزن با استفاده از طراحی یکنواخت
۴ نتایج آزمایش
۴٫۱ بحث نتایج
۵ نتیجه گیری و کار آتی

• بخشی از ترجمه:

۵ نتیجه گیری و کار آتی
ما طرح انتخاب تازه برای الگوریتم های چندمنظوره تکاملی پیشنهاد دادیم. رویکرد ما مکانسیم انتخاب الگوریتم چند منظوره تکاملی را به مسئله تعین با استفاده از مجموعه نقاط خوب توزیع شده در شبکه واحد تبدیل می کند. مسئله تعیین به دست آمده با الگوریتم کان-مانکرز حل می شود. همچنین الگوریتمی بر اساس طراحی یکنواخت پیشنهاد نمودیم تا مجموعه ای از بردارهای وزن با توزیع یکسان نسبت به موارد به دست آمده با روش شبکه ساده ایجاد کنیم. نتایج آزمایشی ما نشان می دهد که تکامل دیفرانسیل مجارستانی بهتر از الگوریتم تکاملی چند منظوره تجزیه در چندین مسئله آزمایش عمل می کند و با توجه به الگوریتم تکاملی چند منظوره متریک اس کاربردی رقابت آمیز است ( در چندین مورد بهتر از ان عمل می کند)، در حالی که نیاز به زمان محاسباتی کمتر دارد. به عنوان بخشی از کار آینده، ما تمایل داریم دیگر روش های طراحی یکنواخت ( ارزان به لحاظ محاسباتی) مطالعه کنیم تا مجموعه ای از نقاط با توزیع یکنواخت تر به دست آوریم. همچنین برنامه ریزی می کنیم تا دیگر روش ها را برای حل مسائل تعیین با هزینه محاسباتی کمتر تحلیل کنیم.

• بخشی از مقاله انگلیسی:

۵ Conclusions and Future

Work We have proposed a novel selection scheme for MOEAs. Our approach transforms the selection mechanism of a MOEA into an assignment problem using a set of well-distributed points on a unit simplex. The obtained assignment problem is solved with the Kuhn-Munkres algorithm. We have also suggested an algorithm based on uniform design to generate a set of weight vectors more uniformly scattered than those obtained by the simplex-lattice method. Our experimental results indicate that our proposed HDE outperforms MOEA/D in several test problems, and is competitive (outperforming it in several instances) with respect to SMS-EMOA, while requiring a significantly lower computational time. As part of our future work, we intend to study other (computationally inexpensive) uniform design methods to generate a set of points more uniformly distributed. We also plan to analyze other methods for solving assignment problems at a lower computational cost.