دانلود ترجمه مقاله روش های شبکه عصبی برای حل مساله فروشندگان دوره گرد (ساینس دایرکت – الزویر ۲۰۲۲) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۶ صفحه در سال ۲۰۲۲ منتشر شده و ترجمه آن ۷ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

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

روش های شبکه عصبی برای حل مساله فروشندگان دوره گرد

عنوان انگلیسی مقاله:

The neural network methods for solving Traveling Salesman Problem

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
سال انتشار ۲۰۲۲
تعداد صفحات مقاله انگلیسی ۶ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله مهندسی الگوریتم ها و محاسبات، هوش مصنوعی
چاپ شده در مجله (ژورنال) Procedia Computer Science
کلمات کلیدی مساله فروشندگان دوره گرد، شبکه عصبی، شبکه عصبی Hopefield، شبکه عصبی گراف، تقویت یادگیری
کلمات کلیدی انگلیسی Traveling Salesman Problem – Neural network – Hopfield neural network – Graph neural network – Reinforcement learning
نویسندگان Yong Shi – Yuanying Zhang
شناسه شاپا یا ISSN ۱۸۷۷-۰۵۰۹
شناسه دیجیتال – doi https://doi.org/10.1016/j.procs.2022.01.084
ایمپکت فاکتور(IF) مجله ۲٫۰۹۴ در سال ۲۰۲۰
شاخص H_index مجله ۷۶ در سال ۲۰۲۱
شاخص SJR مجله ۰٫۳۳۴ در سال ۲۰۲۰
بیس نیست
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۲۴۴۹
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۷ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است  
ترجمه ضمیمه ندارد 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه تایپ شده است
منابع داخل متن به صورت عدد درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده
۱-مقدمه
۲-روش های شبکه عصبی برای حل TSP
نتایج
منابع

 

بخشی از ترجمه

چکیده
     مساله فروشندگان دوره گرد یک مسئله مورد توجه در زمان حال است. شبکه عصبی می تواند برای حل مسائل بهینه سازی ترکیبی مورد استفاده قرار گیرد. در سال‌های اخیر روش‌های شبکه عصبی زیادی برای حل TSP وجود داشته اند که گامی بزرگ به سمت حل مسائل بهینه‌سازی ترکیبی برداشته است. این مقاله به بررسی روش های شبکه های عصبی برای حل TSP در سال‌های اخیر می‌پردازد که شامل شبکه عصبی Hopefield، شبکه عصبی گراف و شبکه عصبی یادگیری تقویتی است. استفاده از شبکه عصبی برای حل TSP می‌تواند به طور موثری صحت راه حل تقریبی را بهبود بخشد و در نهایت دورنمایی از حل TSP در آینده را ارائه کردیم.

 

روش های شبکه عصبی برای حل TSP
     شبکه عصبی الگوریتمی از یادگیری ماشینی است. این روش می‌تواند TSP را با استفاده از یادگیری ماشینی حل کند که شبکه های عصبی را با ساختارهای مختلف ارتقا داده و محل دقیق تر TSP را آموزش می دهد و الگوریتم حل TSP را با دنبال کردن انواع شبکه های عصبی معرفی خواهیم کرد.

 

شبکه عصبی Hopefield
     در سال ۱۹۸۵ یک شبکه کاملا متصل را طراحی کرد که بعداً به عنوان شبکه عصبی Hopefield شناخته شد[۱۴]. او TSP ۱۰ شهر و ۳۰ شهر را شبیه سازی کرد.علاوه بر آن این اولین الگوریتمی بود که از شبکه عصبی برای حل مساله بهینه سازی TSP استفاده کرد. همانطور که در شکل ۱ نشان داده شده، ایده الگوریتم تبدیل تابع هدف به تابع انرژی در شبکه عصبی و به حداقل رساندن تابع انرژی در فرایند اجرای شبکه عصبی برای به دست آوردن راه حل بهینه است. Hopefield تابع انرژی و معادلات حرکت مساله های TSP را در معادله ۵-۶ تعریف می کند.

 

شبکه عصبی گراف
     گراف دارای یک ساختار پیچیده است و نمی‌توان به راحتی شبکه عصبی را با داده‌های گراف تلفیق کرد. در سال‌های اخیر تعداد زیادی از مطالعات به بررسی شبکه عصبی گراف اختصاص داده شده است .ایده اصلی شبکه عصبی گراف انبوه سازی اطلاعات هر گره و گره های اطراف آن است و شبکه عصبی گراف به خوبی توانایی حل TSP را دارد.[۱۹]Parates [20]یک شبکه عصبی گراف را ایجاد کرد و مدل را به یک الگوریتم انتقال داده موثر تبدیل کرد. [۲۱]Joshi نیز یک روش عمیق یادگیری غیر هم بسته را پیشنهاد کرد. گراف CONVNET نیز که توسط BEARSON [22]معرفی شد برای تقریب راه‌حل TSP استفاده می شود. ویژگی خاص این روش این است که خروجی احتمال هر لحظه در حال تبدیل شدن به یک راه حل بهینه است و راه حل بهینه با عبور کل TSP توسط جستجو به دست می آید.Hu[23] و همکارانش یک شبکه عصبی گراف متفاوت با دیگر گراف ها را ایجاد کردند که در قسمت رمزگشایی لایه عبوری دو طرفه برای پیش بینی احتمال بازدید شهر بعدی استفاده شد و راه حل بهینه با تلفیق بهترین جستجوی اولیه پیدا شد.

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.