این مقاله انگلیسی ISI در نشریه IEEE در 4 صفحه در سال 2016 منتشر شده و ترجمه آن 9 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2016
تعداد صفحات مقاله انگلیسی	4 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی الگوریتم ها و محاسبات و برنامه نویسی کامپیوتر
مجله	کنفرانس چینی کنترل و تصمیم گیری – Chinese Conference Control and Decision
دانشگاه	کالج علوم کامپیوتر، چین
کلمات کلیدی	الگوریتم ژنتیک، مساله گراف چند مرحله ای، طراحی الگوریتم
شناسه شاپا یا ISSN	ISSN 1948-9447
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده
1 مقدمه
2 اطلاعات پایه
3 طراحی الگوریتم ژنتیک برای MGP
1.3 روش کد گذاری
2.3.تابع برازش
3.3 انتخاب عملگر
4.3 عملگر بازترکیب
5.3 عملگر جهش
6.3 طراحی حالت توقف الگوریتم
4 آزمایشهای عددی و تحلیل
1.4 عمگر کنترل
تایید الگوریتم
5 نتایج

• بخشی از ترجمه:

5 نتایج
در این مقاله، ما برای MGP یک روش ارائه می کنیم، و عملگر انتخاب و شرایط توقف الگوریتم را بهبود می بخشیم. از طریق تایید آزمایش، این روش، روش بسیار خوبی برای حل مساله گراف چند مرحله ای می باشد. در حقیقت، بسیاری از مسائل عملی، از قبیل مساله ی اختصاص منبع، مساله کوله پشتی، و … را می توان با یک سری گراف نشان داد. کاری که می توان فراتر از این مقاله انجام داد آن است که برای حل مساله ی MGP الگوریتم شبیه سازی شده را طراحی نمود، و پیچیدگی الگوریتم را تحلیل کرد.

• بخشی از مقاله انگلیسی:

5 CONCLUSIONS

In this paper, we propose a method for MGP, and improve the selection operator and the stopping conditions of the algorithm. Through the experimental verification, this approach is very good to solve the problem of multistage graph. In fact, many practical problems can be represented by a number of graphs, such as the problem of resource allocation, knapsack problem, etc. The further work of this paper is to design the simulated annealing algorithm to solve the problem of MGP, and analyze the complexity of the algorithm.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله

نوشته دانلود مقاله ترجمه شده حل مساله گراف چند مرحله ای با الگوریتم ژنتیک (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 7 صفحه در سال 2016 منتشر شده و ترجمه آن 16 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2016
تعداد صفحات مقاله انگلیسی	7 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی الگوریتم ها و محاسبات و مهندسی نرم افزار
مجله	مهندسی کامپیوتر و صنایع – Computers & Industrial Engineering
دانشگاه	دانشگاه سنگاپور، تونس
کلمات کلیدی	مشکلات کوله پشتی، برپایی، جستجو درخت ترکیبی، فیلتر و فان متاگیر، اجتناب از تکرار
شناسه شاپا یا ISSN	ISSN 2016.07.021
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده
1. مقدمه
2. ترکیب مبتنی بر جستجوی درختی برای KPS
2.1. نکات مقدماتی
2.2. رویکرد TST
2.3. احتراز از تکرار
3. نتایج آزمایشی
4. نتیجه‌گیری

• بخشی از ترجمه:

4. نتیجه‌گیری
در این مقاله، ما یک اکتشاف ترکیبی مبتنی بر جستجوی درختی را برای تنظیمات مسئله کوله‌پشتی (TSC) ارائه دادیم. TSC یک روش جستجوی محلی تکراری است که فضای راه‌حل را با ایجاد حرکت‌های ترکیبی در مدل جستجوی درختی مورد بررسی قرار می‌دهد. یکی از ویژگی‌های مهم انجام فرایندهای TSC ، اجتناب از بازسازی راه‌حل‌هایی است که قبلاً ایجادشده‌اند. به منظور اجتناب از تکرار، ما تکنیک جدیدی را اتخاذ می‌کنیم که یک دو سویی را بین راه‌حل KPS و شاخص عدد صحیح ایجاد می‌کند. این تکنیک بخصوص از نظر کیفیت راه‌حل و زمان محاسبه ، مؤثر شناخته شده است. روش ما در مجموعه بزرگی از مسئله‌هایی که به‌طور تصادفی ایجادشده بودند مورد بررسی و آزمایش قرار گرفت. نتایج نشان دادند که CPLEX قادر بود تا تنها 39.5% از این مسائل را به‌طور بهینه حل کند، مابقی آن‌ها دارای ارزش‌های بهینه نامعلومی بودند . نتایج آزمایشی نشان دادند که TSC راه‌حل‌های خوبی ( راه‌حل‌های بهینه و نزدیک به بهینه) را در مدت زمانی کوتاه ایجاد کرد و ارتقاء راه‌حل ارائه شده توسط CPLEX را در 15 نمونه میسر ساخت. با در نظر گرفتن عملکرد امیدوارکننده روش TSC که در این مقاله ارائه شد، مطالعات بیشتری که بعضی از آن‌ها هم‌اکنون در آزمایشگاه در حال انجام می‌باشند، برای تعمیم بیشتر استفاده از تکنیک کاهش فضا به مسائل کلی و مهم دیگر موردنیاز می‌باشند.

• بخشی از مقاله انگلیسی:

4. Conclusion

In this paper, we proposed a tree search based combination (TSC) heuristic for the knapsack problem with setup. The TSC is an iterative local search method that explores the solution space by generating compound moves in a tree search fashion. An important aspect of carrying out the TSC processes is to avoid re-constructing already generated solutions. In order to avoid duplication, we adopt a new technique that makes a bijection between a KPS solution and an integer index. This technique proved efficient particularly in terms of solution quality and computation time. Our method was tested on a large set of randomly generated problems. The results showed that CPLEX was able to optimally solve only 39.5% of these problems; the rest had unknown optimal values. The experimental results showed that TSC produced good quality (optimal and near-optimal solutions) solutions in a short amount of time and allowed for the enhancement of the solution provided by CPLEX in 15 instances. Considering the promising performance of the TSC method presented in this work, further studies, some of which are currently underway in our laboratory, are needed to further extend the use of the space reduction technique to other general and critical problems.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله مشکل کوله پشتی با تنظیمات آن بوسیله اکتشاق ترکیبی (ساینس دایرکت – الزویر 2016) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

1. مقدمه
2. مسائل بهینه‌سازی چندهدفه
3. بهینه‌سازی مبتنی بر شاخص
4. بهینه‌سازی کلونی مورچگان مبتنی بر شاخص
4.1. توصیف مسئله
4.2. توصیف الگوریتم
4.3. ایجاد راه‌حل
4.4. به‌روزرسانی پارتو
4.5. تخصیص سازگاری (برازندگی)
4.6. به روز رسانی ردهای فرومون
5. نتایج تجربی
5.1. تنظیم پارامترها
5.2. معیارهای عملکرد
5.3. نتایج مقایسه‌ای
6. نتیجه‌گیری

• بخشی از ترجمه:

6. نتیجه‌گیری
در این مقاله، ما یک الگوریتم ACO مبتنی بر شاخص جدید برای مسئله کوله‌پشتی چندهدفه ارائه داده‌ایم. این الگوریتم که IBACO نامیده می‌شود، از اصل بهینه‌سازی شاخص باینری که در الگوریتم IBEA28 پیشنهاد داده شده است، استفاده می‌کند.
شاخص‌ها به‌منظور هدایت جستجوی مورچه‌ها با قرار دادن ردهای فرومون نسبت به یک تابع تخصیص برازندگی مورداستفاده قرار می‌گیرند. نتایج تجربی بر روی نمونه‌های MOKP نشان می‌دهد که IBACO به‌طور قابل‌توجهی بهتر از الگوریتم‌های مورد مقایسه است. درواقع، راه‌حل‌هایی که توسط IBACO بازگردانده می‌شوند همواره بر آنهایی که توسط سایر الگوریتم‌ها بازگردانده می‌شوند غالب هستند و هیچ راه‌حل بازگردانده شده توسط این الگوریتم‌های مورد مقایسه وجود ندارد که بر هر یک از راه‌حل‌های بازگردانده شده توسط IBACO غلبه کند.
اصل جستجوی شاخص باینری که در این مقاله توسط IBACO مورداستفاده قرار گرفت، متفاوت از اصلی است که در28 به کار رفته است؛ زیرا برای تقویت بهترین راه‌حل‌ها و نه برای حذف بدترین آنها چنانکه در مرحله انتخاب IBEA انجام می‌شود، مورداستفاده قرار گرفته است. الگوریتم پیشنهادی، اثربخشی خود را در مقایسه با الگوریتم‌های تست‌شده برای MOKP نشان می‌دهد. کارایی IBACO می‌تواند بر اساس مسئله‌ای که باید حل شود و انتخاب مقادیر پارامترها متغیر باشد. در حقیقت، اعمال IBACO بر روی سایر مسائل چندهدفه به‌منظور تست میزان کارایی و مقیاس‌پذیری آن می‌تواند جالب‌توجه باشد.

• بخشی از مقاله انگلیسی:

6. Conclusion

In this paper, we have proposed a new indicator-based ACO algorithm for the multi-objective knapsack problem. This algorithm, called IBACO, uses the principle of binary indicator optimization proposed in IBEA algorithm28. The indicators are employed in order to guide the search of ants by laying pheromone trails relatively to a fitness assignment function. The experimental results on MOKP instances show that IBACO significantly outperforms the compared algorithms. In fact, the solutions returned by IBACO dominate always the ones returned by the other algorithms, and there are no solutions returned by these compared algorithms that dominate any one returned by IBACO.

The binary indicator search principle used in this paper by IBACO is different from that used in28 since it is used to reinforce the best solutions and not to delete the worst ones as done in the selection phase of IBEA. The proposed algorithm shows its effectiveness compared to the tested algorithms for the MOKP. The efficiency of IBACO could vary according to the problem to solve and the choice of the parameter values. In fact, it would be interesting to apply IBACO on other multi-objective problems to test its effectiveness and scalability.

 دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله حل مسائل چندهدفه با بهینه‌سازی کلونی مورچگان مبتنی بر شاخص – مجله الزویر اولین بار در ترجمه فا پدیدار شد.