کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6903202 1446751 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Computing budget allocation in multi-objective evolutionary algorithms for stochastic problems
ترجمه فارسی عنوان
تخصیص بودجه محاسبات در الگوریتم های تکاملی چند منظوره برای مشکلات تصادفی
کلمات کلیدی
پیچیدگی محاسباتی، محاسبات تکاملی، نویز گاوسی، الگوریتم ژنتیک، تجزیه پارتو،
ترجمه چکیده
مشکلات اتفاقی چند هدف، در عمل مشکالت مهمی هستند و اغلب با الگوریتم های تکاملی چند هدفه حل می شوند. محققان تکنیک های مختلف انتقال نویز را برای بهبود کارایی و دقت این الگوریتم ها، عمدتا با تلفیق این روش ها در مراحل ارزیابی یا انتخاب محیط زیست الگوریتم ها، توسعه داده اند. در این کار، ترکیبی از مطالعاتی است که یکپارچگی روش های مختلف تخصیص بودجه محاسباتی را در دو مرحله ارزیابی یا مراحل انتخاب محیط انجام می دهد. این مقایسه ها بر روی مشکلات احتمالی حاصل از مشکلات بهینه سازی چند منظوره معیوب و در نظر گرفتن سطوح مختلف نویز انجام می شود. الگوریتم ها با توجه به همپوشانی و پوشش پارامتر راست پورتو بهینه و مطالعات کافی انجام می شود تا بتوان نتیجه گیری های قابل توجهی را به دست آورد. نشان داده شده است که ادغام روش های تخصیص بودجه محاسبات در گام انتخاب محیطی بهتر از ادغام در مرحله ارزیابی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
تخصیص بودجه محاسبات در الگوریتم های تکاملی چند منظوره برای مشکلات تصادفی
چکیده انگلیسی
Multi-objective stochastic problems are important problems in practice and are often solved through multi-objective evolutionary algorithms. Researchers have developed different noise handling techniques to improve the efficiency and accuracy of such algorithms, primarily by integrating these methods into the evaluation or environmental selection steps of the algorithms. In this work, a combination of studies that compare integration of different computing budget allocation methods into either the evaluation or the environmental selection steps are conducted. These comparisons are performed on stochastic problems derived from benchmark multi-objective optimization problems and consider varying levels of noise. The algorithms are compared in terms of both proximity to and coverage of the true Pareto-optimal front and sufficient studies are performed to allow statistically significant conclusions to be drawn. It is shown that integrating computing budget allocation methods into the environmental selection step is better than integration within the evaluation step.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Swarm and Evolutionary Computation - Volume 38, February 2018, Pages 267-274
نویسندگان
, ,