دانلود ترجمه مقاله بهینه سازی چند هدفه با استفاده از الگوریتم های تکاملی (اسپرینگر 2006)
این مقاله انگلیسی ISI در نشریه اسپرینگر در سال 2006 منتشر شده که 10 صفحه می باشد، ترجمه فارسی آن نیز 16 صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
بهینه سازی چند هدفه با استفاده از الگوریتم های تکاملی: مطالعه موردی مقایسه ای |
عنوان انگلیسی مقاله: |
Multiobjective Optimization Using Evolutionary Algorithms A Comparative Case Study |
|
مشخصات مقاله انگلیسی | |
نشریه | اسپرینگر – Springer |
سال انتشار | 2006 |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
تعداد صفحات مقاله انگلیسی | 10 صفحه |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | مهندسی نرم افزار – مهندسی الگوریتم ها و محاسبات |
چاپ شده در مجله (ژورنال) | International Conference on Parallel Problem Solving from Nature |
نویسندگان | Eckart Zitzler and Lothar Thiele |
شناسه دیجیتال – doi | https://doi.org/10.1007/BFb0056872 |
لینک سایت مرجع | https://link.springer.com/chapter/10.1007/BFb0056872 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | 12647 |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | 16 صفحه با فونت 14 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 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 | ندارد ☓ |
منابع داخل متن | درج نشده است ☓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده 2- الگوریتمهای تکاملی چندهدفه روشهای انباشتی به ترکیبکردن اهداف درون یک تابع نردبانی بالاتر مشغولاند که برای محاسبات شایستگی (fitness) از آنها استفاده میشود. این روشها یک راهحل منفرد (single) فراهم میآورند و نیازمند داشتن دانش عمیقی هستند که معمولاً دردسترس نیست. روشهای جمعیتی غیرپارتو قادر هستند تا راهحلهای غیرمغلوبی را به صورت موازی پیدا کرده و بنابراین جمعیت اساساً برای راهحلهای غیرمغلوب کنترل میشود. اما برعکس روشهای پارتو، روشهای جمعیتی غیرپارتو از مفهومِ غلبه (dominance) پارتو به طور مستقیم استفاده نمیکنند. الگوریتمهای تکاملی پارتو، راهحلها را بر اساس رابطه > مقایسه میکنند تا احتمالِ تولیدمثل هر فرد را محاسبه کنند. اولین بار این نوع مسئله شایستگی را گلدبرگ پیشنهاد داد. از آنجایی که حفظکردن تنوع موضوع مهمی در حوزه بهینهسازی چندحالته است، بسیاری از الگوریتمهای تکاملی چندهدفه شامل تکنیکهای نیچینگ (قرارگرفتن در همسایگی) میشود و بیش از همه از روشِ اشتراکگذاریِ شایستگی استفاده میشود. به اشتراکگذاشتن شایستگی (Fitness sharing) بر مبنای این ایده است که افراد حاضر در یک محیط خاص، باید منابع دردسترس را با یکدیگر شریک شوند. همانطور که در طبیعت نیز چنین است. بنابراین، شایستگی یک فرد معین به این نحو تعیین میشود که هرچه آن فرد بیشتر تضعیف شود، افراد بیشتری در همسایگی او قرار میگیرند. همسایگی بر اساس معیار فاصله سنجیده میشود و با شعاع همسایگی σshare نشان داده میشود. به اشتراکگذاشتن هم میتواند در فضای ژنوتیپ و هم در فضای فنوتیپ (شرایط محیطی) روی دهد. |