دانلود ترجمه مقاله متد ماشین یادگیری جهت بهینه ساز ازدحام ذرات تعاونی

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” متد ماشین یادگیری جهت بهینه ساز ازدحام ذرات تعاونی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1.مقدمه
2. بهینه ساز ازدحام ذرات (PSO)
2.1 فرمولاسیون متداول PSO
2.2 یادگیری همیاری در PSO
2.3 الگوریتم های PSO مبتنی بر همیاری
2.4 طرح ارزیابی PSO در مقابل CPSO
3. ماشینهای خودکار یادگیری (LA)
3.1 فرمولاسیون متداول LA
3.2 الگوریتم های PSO مبتنی بر LA
4.2 معرفی سناریوهای همیاری غیر سازگار
4.3 توصیف رفتار همیاری سازگار CPSOLA
4.4 تحلیل رفتار همیاری سازگار CPSOLA
5. مطالعه آزمایشی
5.1 آماده سازی شبیه سازی
5.2 آزمایش 1: بهینه سازی تابع
5.3 آزمایش 2: گراف همگرایی
5.4 آزمایش 3: آنالیز نیرومندی
5.5 تحلیل آزمایشات
6. نتیجه گیری

• بخشی از ترجمه:

6. نتیجه گیری .
در این مقاله، ما یک بهینه ساز ازدحام ذره همیاری را با کنترل سازگار بر روی لایه بیرونی همیاری موسوم به CPSOLA ارائه کردیم. نتایج، یک بهبود معنادار را در عملکرد و نیرومندی نشان داده اند. مانند الگوریتم CPSO-Hk در CPSOLA ما دو جمعیت داریم: اولی به صورت جمعیت اصلی نامگذاری میشود و به CPSO تعلق دارد، در حالیکه دومی به الگوریتم PSO تعلق دارد. در رویکرد ارائه شده، یک ماشین خودکار یادگیری، بهترین شایستگی کلی جمعیت اصلی را مشاهده میکند و تصمیم میگیرد چه زمانی با جمعیت ثانویه همکاری داشته باشد. با داشتن یک طرح جامع از مساله ای که باید بهینه سازی شود، ماشین خودکار یادگیری، فرایند تکامل را کنترل میکند. از آنجاییکه تکامل جمعیت ثانویه ممکن است از جمعیت اول عقب بماند، ماشین خودکار یک تنوع غیر مستقیم را ایجاد میکند در حالیکه راه گزینی بین اعمالش آن صورت میگیرد. در دنیای حقیقی، هر عملی دارای پیامدی است؛ همگرایی کند، هزینه ای است که ما برای الگوریتم خود میپردازیم.

• بخشی از مقاله انگلیسی:

6. Conclusions

In this paper we presented a cooperative particle swarm optimizer with adaptive control on the outer layer of cooperation named as CPSOLA. The results are shown a significant improvement in performance and robustness. Like CPSO-HK algorithm in CPSOLA we have two populations: The first one named as primary population and belongs to CPSO, while the secondary one belongs to PSO algorithm. In the proposed approach a learning automaton observe the global best fitness of primary population and decide when to cooperate with secondary one. Having a comprehensive scheme of problem to be optimized, the learning automaton controls the evolution process. Since the evolution of secondary population may lag from the first one, the automaton brings an indirect diversity while switching between its actions. In the real world every action has a consequence; slow convergence is the cost that we paid for our algorithm.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله