کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942641 1437414 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Coevolutionary multitasking for concurrent global optimization: With case studies in complex engineering design
ترجمه فارسی عنوان
چند وظیفه تکاملی برای بهینه سازی همزمان جهانی: با مطالعات موردی در طراحی مهندسی پیچیده
کلمات کلیدی
ترجمه چکیده
تلاش های پژوهشی اخیر، نکاتی را در مورد توانایی ذاتی الگوریتم های تکاملی مبتنی بر جمعیت ارائه کرده است تا به یکپارچگی آنها در یک فضای جستجوی یکپارچه رسیدگی کنند. به این ترتیب بهینه سازی چند کاره می تواند موجب آرامش مطلوب در نسل ژنتیکی از طریق انتقال ژن های خودکار شود و به این ترتیب ویژگی های همگرایی شتابان به طور قابل توجهی منجر به ایجاد یک نوع تکمیلی بین وظایف در فضای متحد می شود. در این مقاله، ما بیشتر بر کارایی چند وظیفه ای در زمینه مشکلات از طریق تحقق الگوریتمی بر اساس چارچوب هماهنگی تأکید می کنیم. استدلال می شود که مکانیک کوووولاتیت تعاونی به ویژه برای بهره برداری از مشترکات و / یا مکمل یکدیگر بین وظایف بهینه سازی مختلف (در عین حال احتمالا مرتبط) در یک محیط چند وظیفه ای مناسب است. برای این منظور، رویکرد نتیجه به عنوان چند وظیفه تکاملی را برای بهینه سازی همزمان همزمان جهانی برچسب گذاری می کنیم. علاوه بر این، به منظور به طور موثر حرکت فضاهای جستجو پیوسته در سطوح مختلف پیچیدگی، الگوریتم روتختی ذرات را به عنوان نمونه ای از اکتشاف یک بهینه ساز پایه برای طرح یکپارچگی واقعی پارامتر استفاده می کنیم. بر اساس یک سری آزمایش های عددی که برای توابع مصنوعی و همچنین تنظیمات بهینه سازی در دنیای واقعی در طراحی مهندسی انجام می شود، ما اثربخشی بهینه سازی چند کاره را به عنوان یک پارادایم شایسته افزایش بهره وری در فرایندهای تصمیم گیری آینده نشان می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
چند وظیفه تکاملی برای بهینه سازی همزمان جهانی: با مطالعات موردی در طراحی مهندسی پیچیده
چکیده انگلیسی
Recent research efforts have provided hints towards the innate ability of population-based evolutionary algorithms to tackle multiple distinct optimization tasks at once by combining them into a single unified search space. On the occasion that there emerges some form of complementarity between the tasks in the unified space, multitask optimization can bring about favourable leaps in the genetic lineage through automated gene transfer, thereby leading to notably accelerated convergence characteristics. In this paper, we further emphasize the efficacy of multitasking across problems through an algorithmic realization based on a coevolutionary framework. It is contended that the mechanics of cooperative coevolution are particularly well suited for exploiting the commonalities and/or complementarities between different (yet possibly related) optimization tasks in a single multitasking environment. To this end, we label the resultant approach as coevolutionary multitasking for concurrent global optimization. Further, in order to effectively navigate continuous search spaces of varying degrees of complexity, we employ the particle swarm algorithm as a sample instantiation of a base optimizer for a real-parameter unification scheme. Based on a series of numerical experiments carried out for synthetic functions as well as real-world optimization settings in engineering design, we demonstrate the efficacy of multitask optimization as a paradigm promising enhanced productivity in future decision making processes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 64, September 2017, Pages 13-24
نویسندگان
, , , ,