دانلود ترجمه مقاله تخمین هیبریدی الگوریتم توزیع برای حل مسئله چیدمان تک ردیفی تسهیلات – الزویر 2013

تخمین هیبریدی الگوریتم توزیع برای حل مسئله چیدمان تک ردیفی تسهیلات

Hybrid Estimation of Distribution Algorithm for solving Single Row Facility Layout Problem

چکیده

1. مقدمه

2. بررسی نوشته ها

2.1. برآورد الگوریتم های توزیع

2.2. الگوریتم های فراابتکاری برای حل مسئله چیدمان تک ردیفی امکانات

2.3. مسئله چیدمان تک ردیفی امکانات پیشرفته

3. بیانیه مسئله

3.1. مسئله چیدمان تک ردیفی امکانات

3.2. مسئله چیدمان تک ردیفی امکانات ارتقا یافته

4. روش شناسی

4.1. روش اجرایی عمومی eACGA

4.2. روش اجرایی EDAhybrid

4.2.1. برآورد الگوریتم توزیع بخشی

4.2.2. بخش بهینه سازی ازدحام ذرات

4.2.3. بخش جستجوی ممنوع

5. تجزیه و تحلیل نتیجه

5.1. تنظیم پارامترها

5.2. EDAhybrid برای SRFLP

5.3. EDAhybrid برای SRFLP ارتقا یافته

6. بحث و نتیجه گیری

چکیده

مسئله موقعیت یابی چیدمان امکانات در یک خط مستقیم به عنوان مسئله چیدمان تک ردیفی امکانات (SRFLP) شناخته شده است. هدف از SRFLP، که به عنوان مسئله کامل NP طبقه بندی می شود، آرایش چیدمان است به طوری که مجموع فواصل بین هر جفت از تمام امکانات بتوان به حداقل رساند. برآورد الگوریتم توزیع (EDA) به طور موثر کیفیت راه حل را در چند اجرا بهبود می دهد، اما از دست دادن تنوع با تکرار بیشتر به سرعت بیشتر می شود. برای حفظ تنوع، ترکیب با الگوریتم های فراابتکاری نیاز است. این پژوهش برآورد ترکیبی از الگوریتم توزیع (EDAhybrid) را پیشنهاد می دهد، یک الگوریتم که متشکل از ترکیب EDA، بهینه سازی ازدحام ذرات (PSO)، و جستجوی ممنوع است. یکی دیگر از الگوریتم های ترکیبی، الگوریتم ژنتیک کروموزوم های مصنوعی گسترش یافته (eACGA) است که همچنین به عنوان معیار ساخته شده است. عملکرد EDAhybrid در 15 مسئله محک زنی SRFLP آزمایش شده است و با موفقیت به راه حل مطلوب دستیابی پیدا می کند. علاوه بر این، نرخ های میانگین خطای EDAhybrid همیشه در مقایسه با الگوریتم های دیگر به کمترین مقدار می رسد. SRFLP را می توان با در نظر گرفتن محدودیت های بیشتری ارتقا داد، پس از آن SRFLP ارتقا می یابد. نتایج محاسباتی نشان می دهد که EDAhybrid می تواند SRFLP پیشرفته را به طور موثر حل نماید. بنابراین، ما می توانیم نتیجه بگیریم که EDAhybrid یک الگوریتم فراابتکاری امیدوار کننده است که می تواند برای حل SRFLP کلی و ارتقا یافته مورد استفاده قرار گیرد.

6. بحث و نتیجه گیری

این مقاله، یک الگوریتم جدید فراابتکاری به نام برآورد ترکیبی از الگوریتم توزیع (EDAhybrid) را پیشنهاد نموده است که متشکل از ترکیب از EDA، PSO و جستجوی ممنوع است. برای حفظ تنوع EDA، ترکیب با الگوریتم فراابتکاری مورد نیاز است، و این تحقیقات PSO را به عنوان الگوریتم فرا ابتکاری را انتخاب. EDAhybrid، EDA و PSO را به طور متناوب هر دو تولید اجرا می کند و سپس TS به عنوان یک جستجوی محلی در پایان هر تکرار اضافه می شود. بر اساس نتایج محاسباتی از 15 مسئله معیار، عملکرد EDAhybrid همیشه راه حل مطلوب را در SRFLP پایه حاصل می نماید. در مقایسه با eACGA، EDA، PSO، و GA، نرخ خطای EDAhybrid همیشه کمترین مقدار است. EDAhybrid نیز عمدتا کمترین انحراف استاندارد را نسبت به دیگران فراهم می کند. در مقایسه با OFV از تحقیقات اخیر در SRFLP، EDAhybrid همیشه عملکرد برابری در دستیابی به حداقل تابع هدف دارد.

Abstract

The layout positioning problem of facilities on a straight line is known as Single Row Facility Layout Problem (SRFLP). The objective of SRFLP, categorized as NP Complete problem, is to arrange the layout so that the sum of distances between all facilities’ pairs can be minimized. Estimation of Distribution Algorithm (EDA) efficiently improves the solution quality in first few runs, but the diversity loss grows rapidly as more iterations are run. To maintain the diversity, hybridization with metaheuristic algorithms is needed. This research proposes Hybrid Estimation of Distribution Algorithm (EDAhybrid), an algorithm which consists of hybridization of EDA, Particle Swarm Optimization (PSO), and Tabu Search. Another hybridization algorithm, extended Artificial Chromosomes Genetic Algorithm (eACGA), is also built as benchmark. EDAhybrid’s performance is tested in 15 benchmark problems of SRFLP and it successfully achieves optimum solution. Moreover, the mean error rates of EDAhybrid always get the lowest value compared to other algorithms. SRFLP can be enhanced by considering more constraints, so it becomes enhanced SRFLP. Computational results show that EDAhybrid can also solve Enhanced SRFLP effectively. Therefore, we can conclude that EDAhybrid is a promising metaheuristic algorithm which can be used to solve the basic and enhanced SRFLP.

6. Discussion and conclusion

This paper has proposed a new metaheuristic algorithm named Hybrid Estimation of Distribution Algorithm (EDAhybrid), which consists of hybridization of EDA, PSO and Tabu Search. To maintain the diversity of EDA, hybridization with meta-heuristic algorithm is needed, and this research chooses PSO as the meta-heuristic algorithm. EDAhybrid runs EDA and PSO alternately every two generations, and then TS as a local search is added at the end of every iteration. Based on computational results of 15 benchmark problems, the performance of EDAhybrid always achieves optimum solution in basic SRFLP. Compared to eACGA, EDA, PSO, and GA, the error rates of EDAhybrid always get the lowest value. EDAhybrid also mostly provides the lowest standard deviation than others. Compared with the OFV of recent researches in SRFLP, EDAhybrid always gets equal performance in achieving minimum objective function.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تخمین هیبریدی الگوریتم توزیع برای حل مسئله چیدمان تک ردیفی تسهیلات

Hybrid Estimation of Distribution Algorithm for solving Single Row Facility Layout Problem