دانلود ترجمه مقاله بهینه سازی چندمنظوره با الگوریتم طبقه بندی ژنتیکی غیر مغلوب – اسپرینگر ۲۰۰۰
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
بهینه سازی چندمنظوره با الگوریتم سریع و نخبه گرای طبقه بندی ژنتیکی غیر مغلوب: NSGA-II |
عنوان انگلیسی مقاله: |
A Fast Elitist Non-dominated Sorting Genetic Algorithm for Multi-objective Optimization: NSGA-II |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار مقاله | ۲۰۰۰ |
تعداد صفحات مقاله انگلیسی | ۱۰ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | زیست شناسی |
گرایش های مرتبط با این مقاله | بیوانفورماتیک و ژنتیک |
چاپ شده در کنفرانس | کنفرانس بین المللی حل مسائل موازی از طبیعت – International Conference on Parallel Problem Solving from Nature |
ارائه شده از دانشگاه | آزمایشگاه الگوریتم ژنتیک، موسسه فناوری هندی Kanpur، هند |
نویسندگان | Kalyanmoy Deb، Samir Agrawal، Amrit Pratap and T Meyarivan |
شناسه دیجیتال – doi | https://doi.org/10.1007/3-540-45356-3_83 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارد ✓ |
کد محصول | ۹۶۶۲ |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت Springer |
نشریه اسپرینگر |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
وضعیت ترجمه | انجام شده و آماده دانلود در فایل ورد و PDF |
کیفیت ترجمه | طلایی⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۱۲ صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه نشده است ☓ |
ترجمه متون داخل جداول | ترجمه نشده است ☓ |
ترجمه پاورقی | ترجمه شده است ✓ |
درج تصاویر در فایل ترجمه | درج شده است ☓ |
درج جداول در فایل ترجمه | درج شده است ☓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
فهرست مطالب |
چکیده مقدمه پیچیدگی محساباتی بالا در مرتب سازی غیرمغلوب فاقد نخبه گرایی نیاز به تعیین پارامتر اشتراک(shareσ( الگوریتم های نخبه گرای تکاملی چند منظوره الگوریتم نخبه گرای مرتب سازی ژنتیکی غیر مغلوب (NSGA-II) یک روش سریع مرتب سازی غیرمغلوب برآورد تراکم عملگر مقایسه ازدحام حلقه اصلی نتایج نتیجه گیری |
بخشی از ترجمه |
چکیده الگوریتم های تکاملی چند منظوره ای که از اشتراک گذاری و مرتب سازی چند منظوره استفاده می کنند، عمدتا به خاطر (i) پیچیدگی محاسبانی (O (MN که M شماره هدف و N اندازه جمعیت است مورد انتقاد قرار گرفته اند. (ii) رویکرد غیر نخبه گرایی (iii) نیاز به تعیین پارامتراشتراک در این مقاله، ما یک مرتب سازی غیرمغلوب براساس الگوریتم تکاملی چند منظوره ( به طور خلاصه مرتب سازی غیرمغلوب GA-II یا NSGA-II) را مطرح می کنیم که هر سه مشکل ذکرشده در بالا را برطرف می کند.به طور خاص، یک روش مرتب سازی سریع غیرمغلوب با پیچیدگی محاسباتی O(MN2) ارائه می گردد.ثانیا، انتخاب اپراتوری که یک استخرجفت گیری را با ترکیب جمعیت های والدین و فرزندان و انتخاب بهترین پاسخ از بین N پاسخ ( از لحاظ سازگاری و گستردگی) ایجاد می کند، ارائه می گردد. نتایج شبیه سازی روی پنج مسئله مشکل نشان می دهد که NSGA-II، در اکثر مسائل، قادر به پیداکردن پاسخ های بیشتری در مقایسه با PAES و SPEA- دو مورد از دیگر EA های چندمنظوره نخبه گرا که توجه خاصی به ایجاد جبهه متنوع بهینه پارتو (Pareto )دارد- همگرایی بهتری با جبهه بهینه پارتو واقعی دارد. به خاطر نیازهای کم محاسباتی NSGA-II، روش نخبه گرا و روش اشتراک بدون پارامتر، NSGA-II بکاربردهای بیشتری در سال های پیش رو خواهد داشت.
۵-نتیجه گیری در این مقاله، ما یک الگوریتم سریع نخبه گرای تکاملی چند منظوره محاسباتی بر اساس روش مرتب سازی غیرمغلوب ارائه می دهیم.. در پنج مسئله مشکل، مشخص شده است که NSGA-II پیشنهادی، بهتر از PAESو SPEA عمل می کند. با توجه به ویژگی های روش سریع مرتب سازی غیرمغلوب که یک استراتژی نخبه گرا و یک روش بدون پارامتر است، NSGA-II در آینده نزدیک، نگاه های بیشتری را به سمت خود معطوف کرده و بیشتر مورد استفاده قرار می گیرد. |
بخشی از مقاله انگلیسی |
Abstract Multi-objective evolutionary algorithms which use non-dominated sorting and sharing have been mainly criticized for their (i) 0{MN^) computational complexity (where M is the number of objectives and N is the population size), (ii) non-elitism approach, and (iii) the need for specifying a sharing parameter. In this paper, we suggest a non-dominated sorting based multi-objective evolutionary algorithm (we called it the Non-dominated Sorting GA-II or NSGA-II) which alleviates all the above three difficulties. Specifically, a fast non-dominated sorting approach with O(MN^) computational complexity is presented. Second, a selection operator is presented which creates a mating pool by combining the parent and child populations and selecting the best (with respect to fitness and spread) N solutions. Simulation results on five difficult test problems show that the proposed NSGA-II, in most problems, is able to find much better spread of solutions and better convergence near the true Pareto-optimal front compared to PAES and SPEA—two other elitist multi-objective EAs which pay special attention towards creating a diverse Pareto-optimal front. Because of NSGA-II’s low computational requirements, elitist approach, and parameter-less sharing approach, NSGA-II should find increasing applications in the years to come.
۵- Conclusions In this paper, we have proposed a computationally fast elitist multi-objective evolutionary algorithm based on non-dominated sorting approach. On five difficult test problems borrowed from the literature, it has been found that the proposed NSGA-II outperforms PAES and SPEA—two other popular multi-objective EAs with the explicit goals of preserving spread on the non-dominated front. With the properties of a fast non-dominated sorting procedure, an elitist strategy, and a parameterless approach, NSGA-II should find increasing attention and applications in the near future.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
بهینه سازی چندمنظوره با الگوریتم سریع و نخبه گرای طبقه بندی ژنتیکی غیر مغلوب: NSGA-II |
عنوان انگلیسی مقاله: |
A Fast Elitist Non-dominated Sorting Genetic Algorithm for Multi-objective Optimization: NSGA-II |
|