کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944935 1438014 2016 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Many Objective Particle Swarm Optimization
ترجمه فارسی عنوان
بسیاری از بهینه سازی ذرات هدف
کلمات کلیدی
بسیاری از مشکلات هدف، الگوریتم تکاملی چند جانبه، بهینه سازی ذرات ذرات، هوشافزاری
ترجمه چکیده
بسیاری از مشکلات عینی به مشکلات بهینه سازی شامل بیش از سه هدف متضاد اشاره می کنند. برای به دست آوردن یک مجموعه نماینده از راه حل های غیر دولتی به خوبی توزیع شده در نزدیکی جبهه پارتو در فضای هدف، یک مشکل چالش برانگیز است. بسیاری از مقالات چند الگوریتم تکاملی چندگانه مختلف را پیشنهاد کرده اند تا بتوانند عدم همگرایی و تنوع در بسیاری از مشکلات عینی را حل کنند. یکی از رویکردهای امیدوار کننده از مجموعه ای از نقاط مرجع برای تبعیض راه حل ها و هدایت روند جستجو استفاده می کند. با این حال، این رویکرد عمدتا در الگوریتم های تکاملی چند منظوره گنجانده شده است و فقط تعدادی از سازوکارهای امیدوار کننده به منظور بهینه سازی ذرات ذرات برای مقابله با مشکالت بسیاری در مورد همگرایی و تنوع وجود دارد. بنابراین، این مقاله الگوریتم بهینه سازی ذرات ذره ای عملی و کارایی را برای حل مسائل بسیار هدفی ارائه می دهد. پیشنهاد ما با استفاده از مجموعه ای از نقاط مرجع به طور پویا با توجه به فرایند جستجو تعیین می شود، اجازه می دهد که الگوریتم همگرا به جلو پارتو، اما حفظ تنوع از جبهه پارتو. نتایج تجربی ما نشان می دهد عملکرد برتر یا مشابه در مقایسه با دیگر الگوریتم های پیشرفته دولت.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بسیاری از بهینه سازی ذرات هدف
چکیده انگلیسی
Many-objective problems refer to the optimization problems containing more than three conflicting objectives. To obtain a representative set of well-distributed non-dominated solutions close to Pareto front in the objective space remains a challenging problem. Many papers have proposed different Multi-Objective Evolutionary Algorithms to solve the lack of the convergence and diversity in many-objective problems. One of the more promising approaches uses a set of reference points to discriminate the solutions and guide the search process. However, this approach was incorporated mainly in Multi-Objective Evolutionary Algorithms, and there are just some few promising adaptations of Particle Swarm Optimization approaches for effectively tackling many-objective problems regarding convergence and diversity. Thus, this paper proposes a practical and efficient Many-Objective Particle Swarm Optimization algorithm for solving many-objective problems. Our proposal uses a set of reference points dynamically determined according to the search process, allowing the algorithm to converge to the Pareto front, but maintaining the diversity of the Pareto front. Our experimental results demonstrate superior or similar performance when compared to other state-of-art algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 374, 20 December 2016, Pages 115-134
نویسندگان
, , ,