کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6903215 1446752 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multiobjective evolutionary algorithm based on vector angle neighborhood
ترجمه فارسی عنوان
الگوریتم تکاملی چند منظوره بر اساس محدوده زاویه بردار
کلمات کلیدی
بهینه سازی چند منظوره، الگوریتمهای تکاملی،
ترجمه چکیده
انتخاب یک نیروی محرک اصلی تکامل است و یک ویژگی کلیدی الگوریتم تکاملی چند هدفه است. هدف این انتخاب، ترویج بقای و بازتولید افراد است که بیشتر به محیط اطراف متصل هستند. با وجود اهداف متعدد، چالش های اصلی این اپراتور از نیاز به توجه به همگرایی و تنوع جمعیتی است که تا حدودی در تعارض هستند. این مقاله یک طرح انتخاب جدید برای بهینه سازی چند هدفه تکاملی پیشنهاد می کند. ویژگی متمایز آن یک معیار تشابه برای برآورد تنوع جمعیت است که بر اساس زاویه بین بردارهای هدف است. زاویه کوچکتر، افراد مشابهتر است. مفهوم شباهت در تعیین همسایگی و تعویض آن با تعیین منطقه شلوغ که در آن بدترین فرد شناسایی می شود، در هنگام جفت شدن مورد سوء استفاده قرار می گیرد. دومی بر اساس یک معیار همگرایی انجام می شود که نقش مهمی در هدایت جمعیت نسبت به جبهه مطلوب پارتو ایفا می کند. الگوریتم پیشنهادی به منظور بهره گیری از نقاط قوت روش های مبتنی بر تجزیه در ارتقاء تنوع در میان جمعیت است در حالی که کاهش بار کاربر تعیین سبدهای بردار وزن قبل از جستجو است. رویکرد پیشنهادی با استفاده از آزمایش های محاسباتی با الگوریتم های پیشرفته تر در مورد مشکلات با ویژگی های مختلف مورد تایید قرار می گیرد. نتایج به دست آمده حاوی نتایج بسیار رقابتی رویکرد پیشنهادی است. مزایای قابل توجهی در هنگام برخورد با مشکلاتی که مشکلات زیادی در حفظ تنوع دارند، از جمله مشکالت بسیاری را نشان می دهد. ارتباط روشهای تشابه و همگرایی نشان داده شده است. اعتبار رویکرد نیز در مشکلات مهندسی نشان داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
الگوریتم تکاملی چند منظوره بر اساس محدوده زاویه بردار
چکیده انگلیسی
Selection is a major driving force behind evolution and is a key feature of multiobjective evolutionary algorithms. Selection aims at promoting the survival and reproduction of individuals that are most fitted to a given environment. In the presence of multiple objectives, major challenges faced by this operator come from the need to address both the population convergence and diversity, which are conflicting to a certain extent. This paper proposes a new selection scheme for evolutionary multiobjective optimization. Its distinctive feature is a similarity measure for estimating the population diversity, which is based on the angle between the objective vectors. The smaller the angle, the more similar individuals. The concept of similarity is exploited during the mating by defining the neighborhood and the replacement by determining the most crowded region where the worst individual is identified. The latter is performed on the basis of a convergence measure that plays a major role in guiding the population towards the Pareto optimal front. The proposed algorithm is intended to exploit strengths of decomposition-based approaches in promoting diversity among the population while reducing the user's burden of specifying weight vectors before the search. The proposed approach is validated by computational experiments with state-of-the-art algorithms on problems with different characteristics. The obtained results indicate a highly competitive performance of the proposed approach. Significant advantages are revealed when dealing with problems posing substantial difficulties in keeping diversity, including many-objective problems. The relevance of the suggested similarity and convergence measures are shown. The validity of the approach is also demonstrated on engineering problems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Swarm and Evolutionary Computation - Volume 37, December 2017, Pages 45-57
نویسندگان
, ,