دانلود ترجمه مقاله حل مسائل چندهدفه با بهینه‌سازی کلونی مورچگان مبتنی بر شاخص – مجله الزویر

• فهرست مطالب:

۱٫ مقدمه
۲٫ مسائل بهینه‌سازی چندهدفه
۳٫ بهینه‌سازی مبتنی بر شاخص
۴٫ بهینه‌سازی کلونی مورچگان مبتنی بر شاخص
۴٫۱٫ توصیف مسئله
۴٫۲٫ توصیف الگوریتم
۴٫۳٫ ایجاد راه‌حل
۴٫۴٫ به‌روزرسانی پارتو
۴٫۵٫ تخصیص سازگاری (برازندگی)
۴٫۶٫ به روز رسانی ردهای فرومون
۵٫ نتایج تجربی
۵٫۱٫ تنظیم پارامترها
۵٫۲٫ معیارهای عملکرد
۵٫۳٫ نتایج مقایسه‌ای
۶٫ نتیجه‌گیری

• بخشی از ترجمه:

۶٫ نتیجه‌گیری
در این مقاله، ما یک الگوریتم ACO مبتنی بر شاخص جدید برای مسئله کوله‌پشتی چندهدفه ارائه داده‌ایم. این الگوریتم که IBACO نامیده می‌شود، از اصل بهینه‌سازی شاخص باینری که در الگوریتم IBEA28 پیشنهاد داده شده است، استفاده می‌کند.
شاخص‌ها به‌منظور هدایت جستجوی مورچه‌ها با قرار دادن ردهای فرومون نسبت به یک تابع تخصیص برازندگی مورداستفاده قرار می‌گیرند. نتایج تجربی بر روی نمونه‌های MOKP نشان می‌دهد که IBACO به‌طور قابل‌توجهی بهتر از الگوریتم‌های مورد مقایسه است. درواقع، راه‌حل‌هایی که توسط IBACO بازگردانده می‌شوند همواره بر آنهایی که توسط سایر الگوریتم‌ها بازگردانده می‌شوند غالب هستند و هیچ راه‌حل بازگردانده شده توسط این الگوریتم‌های مورد مقایسه وجود ندارد که بر هر یک از راه‌حل‌های بازگردانده شده توسط IBACO غلبه کند.
اصل جستجوی شاخص باینری که در این مقاله توسط IBACO مورداستفاده قرار گرفت، متفاوت از اصلی است که در۲۸ به کار رفته است؛ زیرا برای تقویت بهترین راه‌حل‌ها و نه برای حذف بدترین آنها چنانکه در مرحله انتخاب IBEA انجام می‌شود، مورداستفاده قرار گرفته است. الگوریتم پیشنهادی، اثربخشی خود را در مقایسه با الگوریتم‌های تست‌شده برای MOKP نشان می‌دهد. کارایی IBACO می‌تواند بر اساس مسئله‌ای که باید حل شود و انتخاب مقادیر پارامترها متغیر باشد. در حقیقت، اعمال IBACO بر روی سایر مسائل چندهدفه به‌منظور تست میزان کارایی و مقیاس‌پذیری آن می‌تواند جالب‌توجه باشد.

• بخشی از مقاله انگلیسی:

۶٫ Conclusion

In this paper, we have proposed a new indicator-based ACO algorithm for the multi-objective knapsack problem. This algorithm, called IBACO, uses the principle of binary indicator optimization proposed in IBEA algorithm28. The indicators are employed in order to guide the search of ants by laying pheromone trails relatively to a fitness assignment function. The experimental results on MOKP instances show that IBACO significantly outperforms the compared algorithms. In fact, the solutions returned by IBACO dominate always the ones returned by the other algorithms, and there are no solutions returned by these compared algorithms that dominate any one returned by IBACO.

The binary indicator search principle used in this paper by IBACO is different from that used in28 since it is used to reinforce the best solutions and not to delete the worst ones as done in the selection phase of IBEA. The proposed algorithm shows its effectiveness compared to the tested algorithms for the MOKP. The efficiency of IBACO could vary according to the problem to solve and the choice of the parameter values. In fact, it would be interesting to apply IBACO on other multi-objective problems to test its effectiveness and scalability.

 دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله