دانلود ترجمه مقاله الگوریتم پویای الگوریتم کلونی مصنوعی زنبور چند مستعمره (ساینس دایرکت – الزویر 2015) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

الگوریتم پویای الگوریتم کلونی مصنوعی زنبور چند مستعمره برای بهینه سازی چند منظوره

A dynamic multi-colony artificial bee colony algorithm for multi-objective optimization

چکیده

1. مقدمه

2. مقدمات

2.1 بهینه سازی چند منظوره اصلی

2.2 . الگوریتم اجتماع زنبور عسل مصنوعی

3. الگوریتم DMCMOABC مطرح شده

3.1 مقدار دهی اولیه

3.2 نگهداری آرشیو

3.3 ارسال زنبورهای کارگر

3.4 ارسال زنبورهای ناظر

3.5. تعویض اطلاعات

3.6 . روش رسیدگی کردن به محدودیت

4. مطالعه تجربی

4.1 معیارهای اجرا و عملکردهای آزمون

4.2 انتخاب پارامتر

4.3 نتایج محاسباتی و مقایسه عملکردی

4.4 مقایسه جبهه های تقریبی pareto

4.5 بحث در مورد تأثیر پارامترهای کنترل

5. نتیجه

چکیده

این مقاله یک الگوریتم پویای چند منظوره، چند مستعمره مجتمع زنبور عسل مصنوعی (DMCMOABC) را با استفاده از مدل multi-deme و راهبرد تعویض اطلاعات پویا پیشنهاد میکند.  در این الگوریتم مطرح شده، اجتماع های k (K colonies ) بیشتر اوقات به طور غیر وابسته جستجو میکند و اطلاعات را گهگاه به اشتراک میگذارد. در هر اجتماع (colony, ) زنبورهای S  شامل تعداد برابر از زنبورهای کارگرو زنبورهای ناظر وجود دارد. برای هر منبع غذا، زنبورهای کارگر و ناظر یک موقعیت موقت را کشف خواهند کرد که با استفاده از اطلاعات همسایه تولید شده است و مورد بهتری که توسط یک راهبرد انتخاب حریص تعیین شده، مرتبا تکرار می شود. آرشیو بیرونی برای ذخیره¬ی راه حل های غیر غالب به کار گرفته شده است که در حین فرآیند جستجو یافت شد و تنوع بیش از آرشیو انفرادی، توسط راهبرد ازدحام- فاصله (crowding-distance) حفظ شده است. اگر تعداد تولید تصادفی کوچکتر از نرخ مهاجرت Rباشد پس از آن نخبگان،که  به عنوان افراد حد واسط با بیشترین مقدار ازدحام- فاصله تعریف می شوند؛ برای جایگزینی بدترین منبع غذا در یک انتخاب اجتماع تصادفی شناسایی و به کار برده می شود. DMCMOABC پیشنهاد شده، بر یک مجموعه ای از عملکردهای آزمایشی محدود/ نامحدود ارزیابی شده است که از دوره ویژه ی CEC2009 و رقابت از نظر چهار ماتریکس به کار برده شده  EPSILON,، HV,، IGD و SPREAD, گرفته شده است و با سایر الگوریتم های  وضعیت هنر (state-of-the-art) توسط  اجرای آزمون Friedman بر میانگین IGD مقایسه شده است. نتایج آرمون نشان می دهد که DMCMOABC به طور قابل توجهی بهتر از یا حداقل قابل مقایسه با رقبایش برای هر دو مشکل محدود و نامحدود است.

1. مقدمه

در بسیاری از برنامه های بهینه سازی جهان واقعی ، تصمیم گیرنده ها (DMs) اغلب باید به مشکلاتی که با هم تضاد دارند و باید به طور همزمان بهینه شوند، با چندین هدف رسیدگی کنند و آنها معمولا  مشکلات بهینه سازی چند منظوره (MOPs) نامیده می شوند که مشکل تر از مشکلات یک منظوره هستند ، از آنجایی که یک راه حل یگانه در دسترس برای آنها وجود ندارد اما یک مجموعه از راه حل های Pareto-optimal (PS) یا راه حل های غیر غالب وجود دارد که تبادل بین اهداف را نشان می دهد.

5. نتیجه

در این مقاله، ما یک الگوریتم جدید اجتماع زنبور عسل مصنوعی چند منظوره توسط کابرد یک مدل چند اجتماعی و یک راهبرد مبادله اطلاعات پویا  پیشنهاد میکنیم. در الگوریتم پیشنهادشده ،اجتماع  K در زیر فضای خودشان  مستقلا بیشتر اوقات جستجو میکند  و اطلاعات را به طور تصادفی به اشتراک میگذارد که توسط پارامتر ی که نرخ مهاجرت نامیده میشود کنترل شده است. در هر مهاجرت، یک گلچین از آرشیو خارجی انتخاب شده است و برای جایگزینی بدترین منبع غذا در اجتماع به طور تصادفی انتخاب شده، به کار گرفته شده است . جهت مهاجرت پویاست زیرا گلچین ممکن است توسط هر اجتماع یافت شود و اجتماع پذیرنده همچنین به طور تصادفی تعیین شده است.  پارامترهای کنترل الگوریتم ما توسط یک تجربه تعیین شده است و توصیه شده است که برای کاربرد عمومی به ترتیب R بر 0.01 ، K بر 9, S بر 20 تنظیم شود. 

Abstract

This paper suggests a dynamic multi-colony multi-objective artificial bee colony algorithm (DMCMOABC) by using the multi-deme model and a dynamic information exchange strategy. In the proposed algorithm, K colonies search independently most of the time and share information occasionally. In each colony, there are S bees containing equal number of employed bees and onlooker bees. For each food source, the employed or onlooker bee will explore a temporary position generated by using neighboring information, and the better one determined by a greedy selection strategy is kept for the next iterations. The external archive is employed to store non-dominated solutions found during the search process, and the diversity over the archived individuals is maintained by using crowding-distance strategy. If a randomly generated number is smaller than the migration rate R, then an elite, defined as the intermediate individual with the maximum crowding-distance value, is identified and used to replace the worst food source in a randomly selected colony. The proposed DMCMOABC is evaluated on a set of unconstrained/constrained test functions taken from the CEC2009 special session and competition in terms of four commonly used metrics EPSILON, HV, IGD and SPREAD, and it is compared with other state-of-the-art algorithms by applying Friedman test on the mean of IGD. The test results show that DMCMOABC is significantly better than or at least comparable to its competitors for both unconstrained and constrained problems.

1. Introduction

In many real-world optimization applications, decision makers (DMs) often have to handle problems with multiple objectives that are conflicting to each other and should be optimized simultaneously, and they are usually called multi-objective optimization problems (MOPs) which are more difficult than one-objective ones since there is no single solution available for them but a set of Pareto-optimal solutions (PS) or non-dominated solutions that represent a trade-off among the objectives.

5. Conclusion

In this paper, we suggest a new multi-objective artificial bee colony algorithm by using a multi-colony model and a dynamic information exchange strategy. In the proposed algorithm, K colonies search in their own sub-spaces independently most of the time and share information occasionally that is controlled by a parameter named migration rate. In each migration, an elite is selected from the external archive and used to replace the worst food source in a randomly chosen colony. The migration direction is dynamic since the elite may be found by any colony and the received colony is also determined stochastically. The control parameters of our algorithm are determined by an experiment and it is recommended to set R to 0.01, K to 9 and S to 20 for general usage, respectively

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم پویای الگوریتم کلونی مصنوعی زنبور چند مستعمره برای بهینه سازی چند منظوره

A dynamic multi-colony artificial bee colony algorithm for multi-objective optimization