کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6856997 1437974 2018 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A competitive mechanism based multi-objective particle swarm optimizer with fast convergence
ترجمه فارسی عنوان
یک مکانیسم رقابتی مبتنی بر چند هدفه بهینه سازی ذرات با همگام سازی سریع است
کلمات کلیدی
بهینه سازی چند هدفه، بهینه ساز مسابقات رقابتی، الگوریتم تکاملی، بهینه سازی ذرات ذرات،
ترجمه چکیده
در دو دهه گذشته، بهینه سازی چند هدفه منافع فزاینده ای را در جامعه محاسبات تکاملی جذب کرده است و انواع مختلفی از الگوریتم های بهینه سازی چند منظوره بر اساس متا-اوریستیک های مختلف مبتنی بر جمعیت ارائه شده است که خانواده چند هدفه بهینه سازی ذرات ذره از جمله مهمترین آنهاست. در حالی که عملکرد اکثر الگوریتم های بهینه سازی ذرات چند هدفه ذرات به طور عمده به بهترین یا بهتر ذرات ذخیره شده در آرشیو خارجی بستگی دارد، در این مقاله ما یک بهینه ساز ذرات چند منظوره رقابتی مبتنی بر مکانی که ذرات به روز می شوند را پیشنهاد می کنیم. بر اساس رقابت های دوقطبی انجام شده در هر روزه در هر نسل. عملکرد سازنده پیشنهادی رقابتی چند هدفه ذرات، با مقایسه های معیارهای چندین بهینه ساز چند منظوره پیشرفته، از جمله سه الگوریتم بهینه سازی ذرات چند هدفه و سه الگوریتم تکاملی چند هدفه، تایید شده است. نتایج تجربی نشان می دهد عملکرد امیدوار کننده الگوریتم پیشنهاد شده در هر دو کیفیت بهینه سازی و سرعت همگرا.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک مکانیسم رقابتی مبتنی بر چند هدفه بهینه سازی ذرات با همگام سازی سریع است
چکیده انگلیسی
In the past two decades, multi-objective optimization has attracted increasing interests in the evolutionary computation community, and a variety of multi-objective optimization algorithms have been proposed on the basis of different population based meta-heuristics, where the family of multi-objective particle swarm optimization is among the most representative ones. While the performance of most existing multi-objective particle swarm optimization algorithms largely depends on the global or personal best particles stored in an external archive, in this paper, we propose a competitive mechanism based multi-objective particle swarm optimizer, where the particles are updated on the basis of the pairwise competitions performed in the current swarm at each generation. The performance of the proposed competitive multi-objective particle swarm optimizer is verified by benchmark comparisons with several state-of-the-art multi-objective optimizers, including three multi-objective particle swarm optimization algorithms and three multi-objective evolutionary algorithms. Experimental results demonstrate the promising performance of the proposed algorithm in terms of both optimization quality and convergence speed.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 427, February 2018, Pages 63-76
نویسندگان
, , , , ,