کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6856535 1437963 2018 41 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A penalty-based multi-objectivization approach for single objective optimization
ترجمه فارسی عنوان
یک رویکرد چند منظوره سازی مبتنی بر مجازات برای بهینه سازی یک هدف
کلمات کلیدی
چند منظوره سازی، متا اورویری، بهینه سازی پارتو، جستجوی محلی پاریتو، جستجوی محلی هدایت شده
ترجمه چکیده
پیشرفت در تکنیک های بهینه سازی پارتو، مطالعه کاربرد کاربرد آنها را برای حل مسائل بهینه سازی تک تک هدف تشویق می کند. انگیزه این است که مفهوم پارتو می تواند یک رویکرد موثر برای کاهش اثرات اپتیک های محلی باشد. چالش برانگیزترین چالش در ایجاد چنین رویکردی، اصلاح هدف تک هدف به چند هدف است. این مقاله یک رویکرد جدید چند هدفه سازی را با معرفی یک هدف کمکی اضافی ارائه می دهد که با هدف اولیه به طور همزمان با استفاده از جستجوی محلی پارتو بهینه می شود. به عنوان یک ویژگی کلیدی، هدف اضافی به عنوان تابع اهداف اولیه و مجازات مربوط به ویژگی های راه حل فرموله شده است. مجازات ها به صورت پویا در طول جستجو به روز می شوند، با امید به هدایت جستجو برای اجتناب از ویژگی های غیر متعهد برای هدف اصلی. نتایج محاسباتی در مورد فروشنده فروشنده مسافر و مسئله انتساب درجه دوم اثربخشی رویکرد پیشنهادی را در مقایسه با سایر رویکردهای چند هدفه و روش های پیشرفته ترین بر روی این معیارها تأیید می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Advances in Pareto optimization techniques have encouraged the study of their application to solve single-objective optimization problems. The motive is that the Pareto concept can be an effective approach to reduce the impacts of local optima. The most challenging task in developing such an approach is the reformulation of the target single-objective to multiple objectives. This paper proposes a new multi-objectivization approach by introducing an additional helper objective that is to be optimized with the primary objective simultaneously using Pareto local search. As a key feature, the additional objective is formulated as a function of the primary objective and penalties associated to solution features. The penalties are dynamically updated during the search, with the hope to guide the search to avoid non-promising features for the primary objective. Computational results on the traveling salesman problem and the quadratic assignment problem confirm the effectiveness of the proposed approach in comparison to other multi-objectivization approaches and state-of-the-art methods on these benchmarks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 442–443, May 2018, Pages 1-17
نویسندگان
,