| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مسائل چند اوجی در بهینه سازی الگوریتم ژنتیک: پژوهش در همگرایی و قدرتمندی |
| عنوان انگلیسی مقاله: |
Genetic algorithm optimization of multi-peak problems: studies in convergence and robustness |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 1995 |
| تعداد صفحات مقاله انگلیسی | 10صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی الگوریتم ها و محاسبات و هوش مصنوعی |
| مجله | هوش مصنوعی در مهندسی – Artijicial Inlelligence in Engineering |
| دانشگاه | گروه علوم مهندسی، دانشگاه آکسفورد بریتانیا |
| کلمات کلیدی | بهینه‌سازی طرح، الگوریتم ژنتیک، قید، گروه |
| شناسه شاپا یا ISSN | ISSN 0954-1810 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | الزویر – Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 18صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه شده است |
| ترجمه متون داخل جداول | ترجمه شده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
- فهرست مطالب:
چکیده
مقدمه
الگوریتم ژنتیک
توابع جریمه
یک معادله پر از دست انداز
بهینه‌سازی اولیه
بهینه‌سازی اولیه
پارامترهای تشکیل نیچ
همه پارامترها
نتیجه‌گیری
- بخشی از ترجمه:
7- نتیجه‌گیری
نتایج زیر را می توان از این مطالعه مختصر در مورد مسائل بهینه‌سازی چنداوجی و مقید به دست آورد:
(1) الگوریتم‌های ژنتیک به صورت بنیادی روشهای متداول بهینه‌سازی خوبی در مسائل چنداوجی هستند.
(2) الگوریتم های ژنتیک، با این حال باید برای مجموعه های مختلفی از اعداد تصادفی عمل کنند تا از نتایج ناگوار پرهیز شود.
(3) تنظیم پارامترهای کنترل نیچ برای دستیابی به بهترین عملکرد در این شرایط مورد نیاز است.
(4) انتخاب صحیح پارامترهای بنیادی می تواند نیاز به مکانیزمهای پیچیده کنترل نیچ را برطرف کند، بویژهاگر یک مکانیزم مقید استفاده شود و تعداد کافی آزمایش، مجاز باشد.
در مورد نکته آخر، استفاده از تابع جریمه مقید توسعه داده شده برای تکنیک‌های کلاسیک نامقید بیشینه سازی (SUMT) مانند فیاکو-مک کورمیک می تواند مزایای چشمگیری داشته باشد وقتی که به آرامی در روش الگوریتم ژنتیک با تنظیم قیدهای قوی در هر نسل اجتماع یابند. همین طور آنها وقتی که با مسائل مقید تعامل دارند یک شریک طبیعی برای الگوریتم ژنتیک تشکیل می‌دهند و شایسته توجه بیشتر هستند.
- بخشی از مقاله انگلیسی:
7 CONCLUSIONS
The following principal conclusions may be drawn from this brief study into optimizing multi-peak, constraintlimited optimization problems:
1)GAS are fundamentally good multi-peak optimization routines.
2)GAS must, none the less, be tried over several different sets of random numbers to guarantee that results are not flukes.
3)Careful tuning of the niche control parameters may be needed to gain the best performance in these circumstances.
4)The correct choice of the fundamental parameters may obviate the need for sophisticated niche control mechanisms, particularly if a good constraint mechanism is used and a sufficient number of trials are allowed.
In the context of this last point, the use of constraint penalty functions developed for classical, sequential unconstrained maximization techniques (SUMT) such as the Fiacco-McCormick function may well give significant advantages since they may be smoothly integrated into the GA method by setting increasingly severe constraints on each successive generation. As such they form a natural partner to the GA when dealing with constrained problems and deserve wider attention.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مسائل چند اوجی در بهینه سازی الگوریتم ژنتیک: پژوهش در همگرایی و قدرتمندی |
| عنوان انگلیسی مقاله: |
Genetic algorithm optimization of multi-peak problems: studies in convergence and robustness |
|
|