کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944828 1438011 2017 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A Radial Boundary Intersection aided interior point method for multi-objective optimization
ترجمه فارسی عنوان
نقطه تلاقی شعاعی مرزی با کمک روش نقطه داخلی برای بهینه سازی چند منظوره
کلمات کلیدی
بهینه سازی چند هدفه، تقاطع مرزی، روش نقطه داخلی، جستجوی خط، منطقه اعتماد،
ترجمه چکیده
ما یک روش جدید بهینه سازی چند منظوره را پیشنهاد می کنیم که ترکیبی از تجزیه بر اساس تقاطع شعاعی ناهماهنگ با روش نقطه داخلی است (که با استفاده از هر دو مرحله جستجوی خط و مراحل اعتماد) مناسب برای بهینه سازی غیر خطی غیر کانونی است. تقاطع شعاعی مرزی، مسئله بهینه سازی چند هدفه را به مقادیری که به یافتن راه حل هایی نزدیک به نقطه مرجع در امتداد خطوط به همان اندازه که به صورت شعاعی خارج از نقطه دوم قرار می گیرند، تجزیه می کند. رویکرد پیشنهادی قادر است تقریب خوبی از جبهه پارتو (شامل حاشیه) را با تولید یک مجموعه متنوع و متنوع از راه حل های مطلوب پارتو ایجاد کند. روش پیشنهادی به طور گسترده ای در تعداد زیادی از مشکلات معیارهای اخیر و مشکلات دنیای واقعی مورد آزمایش قرار گرفته و عملکرد آن در مقایسه با برخی از الگوریتم های بهینه سازی تصادفی / تکاملی پیچیده ای است که معمولا برای حل غیرمستقیم، مشکلات بهینه سازی چند هدفه محدب.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
We propose a novel multi-objective optimization technique combining non-convex Radial Boundary Intersection based decomposition with an Interior Point method (which utilizes both line search and trust region steps) suitable for non-convex nonlinear optimization. Radial Boundary Intersection decomposes the multi-objective optimization problem into subproblems which are concerned with finding the solutions closest to a reference point along equally spaced lines emanating radially outwards from the latter point. The proposed approach is found to be able to generate good approximations of the Pareto front (including the periphery) by generating a sufficiently diverse set of Pareto optimal solutions. The proposed method is extensively tested on a large number of recent benchmark problems and real world problems and the performance is found to be favorable in comparison to those of some of the cutting-edge stochastic/evolutionary optimization algorithms that are commonly used to solve non-convex multi-objective optimization problems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 377, 20 January 2017, Pages 1-16
نویسندگان
, , , ,