دانلود رایگان ترجمه مقاله تجسم (دیداری سازی) و متریک عملکرد در بهینه سازی چند منظوره (نشریه IEEE 2015)
این مقاله انگلیسی ISI در نشریه IEEE در 17 صفحه در سال 2015 منتشر شده و ترجمه آن 38 صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تجسم (دیداری سازی) و متریک عملکرد در بهینه سازی چند منظوره |
عنوان انگلیسی مقاله: |
Visualization and Performance Metric in Many-Objective Optimization |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
سال انتشار | 2015 |
تعداد صفحات مقاله انگلیسی | 17 صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | هوش مصنوعی، مهندسی الگوریتم ها و محاسبات |
چاپ شده در مجله (ژورنال) | نتایج بدست آمده در حوزه محاسبات تکاملی – Transactions on Evolutionary Computation |
کلمات کلیدی | الگورتیم های تکاملی چند منظوره (MaOEA)، مسئله بهینه سازی چند منظوره، نگاشت، متریک عملکرد، تصویر سازی (دیداری سازی) |
کلمات کلیدی انگلیسی | Many-objective evolutionary algorithm (MaOEA) – many-objective optimization problem (MaOP) – mapping – performance metric – visualization |
ارائه شده از دانشگاه | دانشکده مهندسی برق و کامپیوتر، دانشگاه ایالتی اوکلاهما، ایالات متحده آمریکا |
نمایه (index) | Scopus – Master Journals – JCR |
شناسه شاپا یا ISSN | 1089-778X |
شناسه دیجیتال – doi | https://doi.org/10.1109/TEVC.2015.2472283 |
ایمپکت فاکتور(IF) مجله | 11.016 در سال 2019 |
شاخص H_index مجله | 154 در سال 2020 |
شاخص SJR مجله | 2.968 در سال 2019 |
شاخص Q یا Quartile (چارک) | Q1 در سال 2019 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | F1672 |
نشریه | آی تریپل ای – IEEE |
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 | ترجمه ارزان – نقره ای ⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | 38 صفحه (1 صفحه رفرنس انگلیسی) 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 ☓ |
ترجمه پاورقی | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
کیفیت ترجمه | کیفیت ترجمه این مقاله متوسط میباشد. |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده
دیداری سازی جمعیت در یک فضای عینی با ابعاد بالا در سرتاسر فرایند تکامل یک ویژگی جذاب می باشد که می توان آن را در طراحی الگوریتم های تکاملی چند منظوره (MaOEAs) استفاده کرد. در این مقاله، یک روش مجازی سازی جدید پیشنهاد می شود. این الگوریتم افراد را از فضای عینی با ابعاد بالا به یک محور مختصات قطبی دو بعدی ضمن حفظ رابطه غالبیت پارتو، حفظ شکل و محل جبهه پارتو و حفظ توزیع افراد نگاشته می کند. بر این اساس تصمیم گیرنده قادر به مشاهده فرایند تکامل، براورد موقعیت، دامنه و توزیع جبهه پارتو، ارزیابی کیفیت جبهه و توازن تقریبی بین اهداف و انتخاب راه حل های مطلوب است. به علاوه، کاربرد قابل تعمیم به ابعاد مختلف، مدیریت تعداد زیادی از افراد در جبهه و هم زمان تجسم و دیداری سازی جبهه های متعدد برای مقایسه می باشد. بر اساس این ابزار تجسم و دیداری سازی، یک متریک عملکرد، موسوم به متریک قطبی طراحی می شود. همگرایی جبهه تقریبی با مقادیر شعاعی همه اعضای جمعیت در جبهه اندازه گیری می شود. در عین حال، عملکرد تنوع با تعداد نیچ هر زیر منطقه در یک فضای عینی با ابعاد بالا تعیین می شود. نتایج آزمایشی نشان می دهد که این می تواند مقایسه جامع و قابل اطمینان را در میان MaOEAs ارایه کند.
1- مقدمه
مسائل بهینه سازی چند منظوره دنیای واقعی(MOP) شامل چیزی فراتر از سه هدف متناقض است که موسوم به مسائل بهینه سازی چند هدفه یا چند منظوره هستند. دیداری سازی ( تجسم) جمعیت در فضای هدف با ابعاد بالا در سرتاسر فرایند تکامل یک فرصتی را در اختیار می گذارد که می توان از آن در طراحی الگوریتم های تکاملی چند منظوره استفاده کرد. ابزار های تجسم و دیداری سازی یک شکل ، موقعیت و دامنه ای از جبهه های پارتوی تقریبی را ارایه می کند که به توازن بین اهداف، فرایند های تکامل، ارزیابی کیفیت جبهه تقریبی و کمک به تصمیم گیران برای انتخاب راه حل های مطلوب(1) کمک می کند. در فضای با بعد پایین با دو یا سه هدف، نمودار پراکندگی، موقعیت، توزیع و شکل جبهه تقریبی را نشان می دهد که در آن هر محور به طور مستقیم یک هدف را نشان می دهد. بر اساس نمودار پراکندگی، یک تصمیم گیرنده قادر به انتخاب آسان و انتخاب راه حل های مطلوب است. با این حال، بعدیت دیگر در فضاهای عینی با ابعاد بالا استفاده می شود.
به طور طبیعی، ما در مورد توسعه راهبرد هایی برای کاهش تعداد اهداف ضمن حفظ اطلاعات همه اهداف فکر می کنیم. در صورتی که تعداد اهداف به دو یا سه کاهش یابد، آنگاه امکان دیداری سازی و تجسم جبهه پارتو توسط نمودار پراکندگی وجود دارد. برای نمونه، براکهوف و زتزلر(2) روابط متضاد و غیر متضاد بین هر جفت از اهداف را شناسایی کرده و سپس اهداف غیر متعارض را به یک هدف ترکیب کرد. ساکسن و همکاران(3) یک تحلیل مولفه اصلی و واریانس حداکثر را بر اساس چارچوبی برای الگوریتم کاهش هدف خطی و غیر خطی ارایه کردند. لیگو و همکاران(4) از هماهنگی محلی بین اهداف برای کاهش بعدیت با خوشه بندی جبهه بهینه پارتو و اعمال تحلیل مولفه های اصلی مبتنی بر قواعد از جمله بیان اولویت برای کاهش هدف بالقوه استفاده کردند. با این حال، مسائل بسیاری وجود دارد که هدف آن ها را نمی توان کاهش داد. به علاوه، در برخی مسائل، حذف تعداد کمی از اهداف به تصویر سازی کمکی نمی کند.
در این مقاله روشهای تجسم زیادی برای مشاهده داده های با ابعاد بزرگ وجود دارد. اولین نوع روشها، از جمله اشکال مختلف هماهنگی موازی [5] و هیت مپ [6]، نشان دهنده هر راه حل ابعادی در یک سیستم مختصات موازی است. برای یک فضای هدف ابعاد M، کل سیستم مختصات موازی حاوی M محورهای موازی است، که هر کدام به یک هدف مرتبط است. این روش فقط می تواند مقادیر اصلی اهداف راه حل را حفظ کند. به منظور ارائه اطلاعات در مورد روابط تجاری بین اهداف برای یک تصمیم گیرنده، آن نیاز به اهداف مورد علاقه قرار دادن در مجاورت یکدیگر است. با این حال، تعداد مقایسات میان اهداف مجاور مختلف به طور نمایی با تعداد اهداف رشد می کند. علاوه بر این، قادر به نشان دادن اطلاعات کنترلی نسبت به تقریبا پارتو تقریبی [1] نیست. نوع دوم روشها، از جمله نمودار بادل، تجسم مختصات شعاعی رادویز، نقشه های خودسازمانده (SOMs) ]، نقشه برداری و نقشه برداری را از یک فضای هدف با ابعاد بزرگ به یک فضای دو بعدی، در حالی که فاصله های محلی بین هر جفت راه حل در یک فضای با ابعاد بزرگ را حفظ می کند. از فضای دو بعدی، تصمیم گیرندگان می توانند به راحتی راه حل های مورد نظر خود را تعیین کنند. با این حال، این روش نقشه برداری اغلب به طور غریزی برخی اطلاعات بحرانی را در فضای دو بعدی نشان داده شده از دست می دهند. علاوه بر این، در فضای دو بعدی شده، هنوز مشخص نیست که شکل تقریبی جبهه و توافق بین اهداف چیست. بر اساس بحث های بالا، تقریبهای جبههیی پارتو را با استفاده از تکنولوژی های فعلی به تصویر می کشد. یک روش موثر تجسم برای ارائه اطلاعات دقیق و جامع برای تقریبا پراتو در فضاهای هدف بزرگ مورد نیاز است.
از سوی دیگر، هیچ ماتریسی عملکردی برای مقایسه MaOEAs در MaOPs با ابعاد بزرگ وجود ندارد. در این مقاله، معیارهای عملکردی مؤثر برای مقایسه الگوریتم های تکاملی چندگانه (MOEA) در MOP های کم حجم وجود دارد. اکثر این معیارها در اصل برای مشکلات کم حجم طراحی شده است. با این حال، اکب و همکاران. [12] نشان داده است که بسیاری از معیارها ممکن است نتوانند واقعا کیفیت مجموعه راه حلها را بازتاب دهند و برخی از معیارها فقط برای مشکلات بهینه سازی دو هدف کار می کنند. هنگامی که به فضاهای هدف بزرگ می آید، این معیارها نمی توانند وفادارانه عمل کنند مانند فضاهای کم ابعاد. در [13]، ما روش یک گروه برای مقایسه MaOEA ها را به کار گرفته ایم، زیرا هر یک از ارقام عملکرد تنها نمی تواند عملکرد جامع MaOEA را به طور جامع اندازه گیری کند. اگر چه این روش مجموعه توانایی قدرتمند خود را در ارائه یک سنجش جامع نشان داده است، اما هنوز از معیارهای متعدد استفاده می کند که عمدتا برای MOP های کم حجم طراحی شده اند. بنابراین، در فضای هدف بزرگ بعدی، گروه متریک عملکرد بر اساس معیارهای عملکرد موجود نمیتواند نتایج مقایسهی متقاعد کننده را ارائه دهد. هنوز هم به یک مطالعه جامع نیاز دارد تا نقاط قوت و ضعف های MaOEA را تحت تأثیر قرار دهد.
|
بخشی از مقاله انگلیسی |
Abstract Visualization of population in a high-dimensional objective space throughout the evolution process presents an attractive feature that could be well exploited in designing many-objective evolutionary algorithms (MaOEAs). In this paper, a new visualization method is proposed. It maps individuals from a high-dimensional objective space into a 2-D polar coordinate plot while preserving Pareto dominance relationship, retaining shape and location of the Pareto front, and maintaining distribution of individuals. From it, a decision-maker can observe the evolution process, estimate location, range, and distribution of Pareto front, assess quality of the approximated front and tradeoff between objectives, and easily select preferred solutions. Furthermore, its applications can be scalable to any dimensions, handle a large number of individuals on front, and simultaneously visualize multiple fronts for comparison. Based on this visualization tool, a performance metric, named polar-metric, is designed. The convergence of the approximate front is measured by radial values of all population members on that front. Meanwhile, the diversity performance is mainly determined by niche count of each subregion in a high-dimensional objective space. Experimental results show that it can provide a comprehensive and reliable comparison among MaOEAs. 1 Introduction MANY real-world multiobjective optimization problems (MOPs) involve more than three conflicting objectives, which are commonly referred to as many-objective optimization problems (MaOPs). Visualization of population in a high-dimensional objective space throughout the evolution process presents an opportunity that could be well exploited in designing many-objective evolutionary algorithms (MaOEAs). High-quality visualization tools can provide accurate shape, location, and range of the approximate Pareto front, reflect tradeoffs between objectives, observe the evolution process, assess the quality of the approximated front, and help decisionmakers select their preferred solutions [1]. In low-dimensional spaces with two or three objectives, scatter plot shows the location, distribution, and shape of the obtained approximate front, where each axis directly represents one objective. From scatter plot, a decision-maker can easily make choices and select preferred solutions if so desired. However, due to the curse of dimensionality, it is no longer an option in high-dimensional objective spaces. Naturally, we thought about developing strategies to reduce the number of objectives while preserving as much information of all objectives as possible. If the number of objectives is reduced to be two or three, then we can easily visualize the approximate Pareto front by a scatter plot. For instance, Brockhoff and Zitzler [2] first identified conflict and nonconflict relationships between each pair of objectives and then combine nonconflicting objectives into one objective. Saxena et al. [3] presented a principal component analysis and maximum variance unfolding based framework for linear and nonlinear objective reduction algorithms, respectively. Lygoe et al. [4] exploited local harmony between objectives to reduce dimensionality by clustering the Pareto-optimal front and apply a rule-based principal component analysis including preference articulation for potential objective reduction. However, there are many problems whose objectives cannot be further reduced. Moreover, in some problems, eliminating a very small number of objectives does not help for visualization. In this paper, there are many visualization approaches designed for viewing high-dimensional data. The first type of methods, including various forms of parallel coordinates [5] and heatmaps [6], represents each high-dimensional solution on a parallel coordinate system. For an M-dimensional objective space, the whole parallel coordinate system contains M parallel axes, each of which corresponds to one objective. This method can only retain the original objective values of solutions. In order to provide information about the tradeoff relationships between objectives for a decision-maker, it requires the objectives of interest to be positioned adjacent to each other. However, the number of comparisons among different adjacent objectives would grow exponentially with the number of objectives. In addition, it is not able to show the contour information of a given approximate Pareto front [1]. The second type of methods, including Buddle chart [7], radial coordinate visualization (RadViz) [8], self-organizing maps (SOMs) [9], Sammon mapping [10], and neuroscale [11], constructs the mapping from a highdimensional objective space into a 2-D space while preserving local distances between each pair of solutions in a highdimensional space. From the 2-D space, decision-makers can easily determine their preferred solutions. However, these mapping approaches often inadvertently lose some critical information in the mapped 2-D space. Furthermore, in the mapped 2-D space, it is still not intuitive to discover the shape of the approximate front and tradeoffs between objectives. Based on the above discussions, it remains difficult to visualize Pareto front approximations using present technologies. An effective visualization method is needed to provide accurate and comprehensive information for the approximate Pareto front in high-dimensional objective spaces. On the other hand, there is no performance metric specifically designed for comparison of MaOEAs in highdimensional MaOPs. In this paper, there are many effective performance metrics used to compare multiobjective evolutionary algorithms (MOEAs) in low-dimensional MOPs. Most of these metrics are originally designed for low-dimensional problems. Even so, Okabe et al. [12] have showed that many metrics may fail to truly reflect the quality of solution sets and some metrics work only for bi-objective optimization problems. When comes to high-dimensional objective spaces, these metrics cannot perform faithfully as in the low-dimensional spaces. In [13], we have applied an ensemble method for comparison of MaOEAs as any performance metric alone cannot quantify the performance of an MaOEA comprehensively. Although this ensemble method has shown its powerful ability in providing a comprehensive measure, it still uses multiple metrics mainly designed for low-dimensional MOPs. Therefore, in high-dimensional objective space, performance metric ensemble based on existing performance metrics cannot provide convincing comparison results. There still needs a comprehensive study to reveal the strengths and weaknesses of the underlying MaOEAs. |