دانلود رایگان ترجمه مقاله بهینه سازی چند هدفی با استفاده از الگوریتم های ژنتیک (نشریه الزویر ۲۰۰۶)

این مقاله انگلیسی ISI در نشریه الزویر در ۱۶ صفحه در سال ۲۰۰۶ منتشر شده و ترجمه آن ۳۴ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت خلاصه ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

بهینه سازی چند هدفی با استفاده از الگوریتم های ژنتیک: یک آموختار

عنوان انگلیسی مقاله:

Multi-objective optimization using genetic algorithms: A tutorial

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۰۶
تعداد صفحات مقاله انگلیسی ۱۶ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی صنایع، مهندسی کامپیوتر
گرایش های مرتبط با این مقاله بهینه سازی سیستم ها، برنامه ریزی و تحلیل سیستم ها،  مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) مهندسی قابلیت اطمینان و ایمنی سیستم – Reliability Engineering and System Safety
ارائه شده از دانشگاه علوم و فناوری اطلاعات، ایالات متحده آمریکا
رفرنس دارد 
کد محصول F1546
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۳۴ صفحه (۲ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه نشده است 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده 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  درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
توضیحات ترجمه این مقاله نسبتا به صورت خلاصه انجام شده است.

 

فهرست مطالب

چکیده
۱- مقدمه
۲- فرمولاسیون بهینه سازی چند منظوره (شیئی)
۳- الگوریتم های ژنتیک
۴- GA چند هدفی
۵- موضوعات طراحی و مولفه های GA چند هدفی
۱-۵ توابع تناسب
۲-۵ تنوع: تخصیص تناسب، اشتراک گذاری تناسب و ایجاد تورفتگی
۵-۳ نابغه گرایی
۴-۵ کنترل محدود
۵-۵ GA چند منظوره موازی و پیوندی
۶- GA چند منظوره برای بهینه سازی قابلیت اطمینان

 

بخشی از ترجمه
 چکیده
فرمولاسیون های چند شیئی (هدفی) مدل های واقعی مسائل بهینه سازی مهندسی پیچیده متعددی هستند. در بسیاری از مسائل زندگی واقعی، اشیای تحت نظر با یکدیگر تناقض پیدا می کنند، و بهینه سازی راه حلی خاص با توجه به یک شیء منفرد می تواند حاصل نتایج غیر قابل قبول از نظر دیگر اشیاء باشد. راه حل منطقی برای مسأله چند منظوره (شیئی) بررسی مجموعه ای از راه حل هاست، که هر یک از آن ها اهداف را در سطح قابل قبولی بدون اینکه دیگر راه حل ها بر آن تفوق یابند، برطرف می کنند. در این مقاله، بررسی اجمالی و آموختاری ارائه شده که الگوریتم های ژنتیک (GA) توسعه یافته را شرح می دهند، خصوصاً الگوریتم هایی که برای مسائل همراه با چند هدف طراحی شده اند. آن ها عمدتاً از GA مرسوم بواسطه استفاده از توابع تناسب تخصصی و معرفی روش هایی برای توسعه و پیشرفت تنوع راه حل ها متمایز شده اند. 
 
۱- مقدمه
هدف این مقاله ارائه بررسی اجمالی و آموزه ای از روش های بهینه سازی چند هدفی با استفاده از الگوریتم های ژنتیک است (GA). برای مسائل چند موضوعی اهداف معمولاً متناقضند، و از بهینه سازی همزمان هر هدف ممانعت بعمل می آورد. مسائل مهندسی حقیقی متعدد و حتی بیشتر آنها در حقیقت چندین هدف دارند، به عنوان نمونه، هزینه حداقل، عملکرد حداکثر، قابلیت اطمینان حداکثر و غیره. این مسائل مسائل مشکلی هستند اما واقعی اند. GA الگوریتم های فرا اکتشافی محبوبی هستند که خصوصاً مناسب این رده از مسائلند. GA های مرسوم برای هماهنگی با مسائل چند هدفی به دلخواه مشتری شده اندو این کار با استفاده از توابع تناسب تخصصی و ارائه روش هایی برای ترقی بدنه راه حل انجام شده است.
دو مشی کلی برای بهینه سازی چند هدفی وجود دارد. یکی از این مشی ها تلفیق توابع هدف منفرد در یک تابع ترکیبی منفرد یا انتقال تمام آنها به جز هدف موجود برای مجموعه محدودیت هاست. در مورد اول، تعیین یک هدف منفرد با روش هایی نظیر نظریه سودمندی، روش مجموع وزن دهی شده و غیره ممکن است، اما مشکل ریشه در انتخاب صحیح وزن ها یا توابع سودمندی برای توصیف رجحان های تصمیم گیرنده دارد. در عمل، انتخاب دقیق و با دقت این وزن ها بسیار مشکل است، حتی برای افرادی که با دامنه مسأله آشنایی دارند. ترکیب این معایب آن مقیاس بندی است که در میان اهداف مورد نیاز است و اختلالات اندکی در وزن ها گاهی اوقات می تواند منجر به ایجاد راه حل هایی شود که اندکی متفاوتند. در مورد دوم، مسأله این است که برای حرکت اشیا در مجموعه محدودی، مقدار محدود کننده ای باید برای هر یک از این اهداف (اشیای) قبلی بنا نهاده شود. در این مورد می توان اندکی اختیار به کار برد. در هر دو مورد، روش بهینه سازی می تواند راه حل منفردی به جای مجموعه ای از راه حل هایی بازگرداند که می تواند برای مبادلات مورد آزمون قرار گیرد. به این دلیل، تصمیم گیرندگان مجموعه ای از راه حل های مناسب را با در نظر گرفتن چند هدف ترجیح می دهند.
دومین مشی عمومی تعیین راه حل بهینه Pareto کلی یا زیر مجموعه مشعر می باشد. مجموعه بهینه Pareto مجموعه ای از راه حل هاست که با توجه به یکدیگر برتری بر هم ندارند. در حین حرکت از یک راه حل Pareto به راه حل دیگر، همیشه مقدار معینی از قربانی در یک هدف (اهداف) برای رسیدن به مقدار مشخصی از سودمندی در دیگر اهداف وجود دارد. مجموعه راه حل های بهینه Pareto اغلب به راه حل های منفرد ترجیح داده می شوند چون می توانند هنگام در نظر گرفتن مسائل دنیای واقعی عملی باشند، چون راه حل نهایی تصمیم گیرنده همیشه یک تبادل است. مجموعه های بهینه Pareto می توانند اندازه های متفاوتی داشته باشند، اما اندازه مجموعه Pareto معمولاً با افزایش تعداد اهداف افزایش می یابد.

 

بخشی از مقاله انگلیسی

Abstract

Multi-objective formulations are realistic models for many complex engineering optimization problems. In many real-life problems, objectives under consideration conflict with each other, and optimizing a particular solution with respect to a single objective can result in unacceptable results with respect to the other objectives. A reasonable solution to a multi-objective problem is to investigate a set of solutions, each of which satisfies the objectives at an acceptable level without being dominated by any other solution. In this paper, an overview and tutorial is presented describing genetic algorithms (GA) developed specifically for problems with multiple objectives. They differ primarily from traditional GA by using specialized fitness functions and introducing methods to promote solution diversity.

۱ Introduction

The objective of this paper is present an overview and tutorial of multiple-objective optimization methods using genetic algorithms (GA). For multiple-objective problems, the objectives are generally conflicting, preventing simultaneous optimization of each objective. Many, or even most, real engineering problems actually do have multipleobjectives, i.e., minimize cost, maximize performance, maximize reliability, etc. These are difficult but realistic problems. GA are a popular meta-heuristic that is particularly well-suited for this class of problems. Traditional GA are customized to accommodate multi-objective problems by using specialized fitness functions and introducing methods to promote solution diversity.

There are two general approaches to multiple-objective optimization. One is to combine the individual objective functions into a single composite function or move all but one objective to the constraint set. In the former case, determination of a single objective is possible with methods such as utility theory, weighted sum method, etc., but the problem lies in the proper selection of the weights or utility functions to characterize the decision-maker’s preferences. In practice, it can be very difficult to precisely and accurately select these weights, even for someone familiar with the problem domain. Compounding this drawback is that scaling amongst objectives is needed and small perturbations in the weights can sometimes lead to quite different solutions. In the latter case, the problem is that to move objectives to the constraint set, a constraining value must be established for each of these former objectives. This can be rather arbitrary. In both cases, an optimization method would return a single solution rather than a set of solutions that can be examined for trade-offs. For this reason, decision-makers often prefer a set of good solutions considering the multiple objectives.

The second general approach is to determine an entire Pareto optimal solution set or a representative subset. A Pareto optimal set is a set of solutions that are nondominated with respect to each other. While moving from one Pareto solution to another, there is always a certain amount of sacrifice in one objective(s) to achieve a certain amount of gain in the other(s). Pareto optimal solution sets are often preferred to single solutions because they can be practical when considering real-life problems since the final solution of the decision-maker is always a trade-off. Pareto optimal sets can be of varied sizes, but the size of the Pareto set usually increases with the increase in the number of objectives.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا