کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6774108 1431954 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A probabilistic metric for comparing metaheuristic optimization algorithms
ترجمه فارسی عنوان
یک معیار احتمالاتی برای مقایسه الگوریتم های بهینه سازی متاگیر
کلمات کلیدی
الگوریتم بهینه سازی، فراماسونری، الگوریتمهای تکاملی، متریک عملکرد، دخالت جمعیت،
ترجمه چکیده
الگوریتم بهینه سازی فراشناختی به منظور شناسایی یک حداقل جهانی بر مبنای اعداد تصادفی است و هر عملیات منحصر به فرد را انجام می دهد. از این رو مقایسه عملکرد الگوریتم های مختلف نیاز به چندین اجرا دارد و برخی از ماتریس های آماری نتایج. میانگین، انحراف استاندارد، بهترین و بدترین معیارهای ارزش با این هدف مورد استفاده قرار گرفته است. در این مقاله، برای مقایسه الگوریتم های بهینه سازی متهوریستی، یک متریک احتمالاتی یک پیشنهادی پیشنهاد شده است. این بر مبنای ایده دخالت جمعیت است و احتمال اینکه یک الگوریتم داده شده کوچکتر از یک الگوریتم جایگزین (یک الگوریتم دیگر) را در یک اجرا تولید کند، تولید می شود. سه نمونه از معیارها و چهار الگوریتم بهینه سازی برای نشان دادن این است که معیار پیشنهادی بهتر از آمار معمول است، مانند میانگین، انحراف استاندارد، بهترین و بدترین ارزش های حاصل شده در چندین اجرا. معیار پیشنهادی در واقع مقدار زیادی الگوریتم داده شده را در مقایسه با الگوریتم جایگزین دارد. اعلامیه های مربوط به برتر بودن یک الگوریتم همچنین می تواند با توجه به تعداد اجرای الگوریتم ها و تعداد ارزیابی عملکرد هدف در هر اجرا انجام شود.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی عمران و سازه
پیش نمایش مقاله
یک معیار احتمالاتی برای مقایسه الگوریتم های بهینه سازی متاگیر
چکیده انگلیسی
The evolution of metaheuristic optimization algorithms towards identification of a global minimum is based on random numbers, making each run unique. Comparing the performance of different algorithms hence requires several runs, and some statistical metric of the results. Mean, standard deviation, best and worst values metrics have been used with this purpose. In this paper, a single probabilistic metric is proposed for comparing metaheuristic optimization algorithms. It is based on the idea of population interference, and yields the probability that a given algorithm produces a smaller (global?) minimum than an alternative algorithm, in a single run. Three benchmark example problems and four optimization algorithms are employed to demonstrate that the proposed metric is better than usual statistics such as mean, standard deviation, best and worst values obtained over several runs. The proposed metric actually quantifies how much better a given algorithm is, in comparison to an alternative algorithm. Statements about the superiority of an algorithm can also be made in consideration of the number of algorithm runs and the number of objective function evaluations allowed in each run.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Structural Safety - Volume 70, January 2018, Pages 59-70
نویسندگان
, , , ,