کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6905794 | 862824 | 2014 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Improving surrogate-assisted variable fidelity multi-objective optimization using a clustering algorithm
ترجمه فارسی عنوان
بهبود بهینه سازی چند هدفه با استفاده از جایگزینی متغیر با استفاده از الگوریتم خوشه بندی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
خوشه بندی محاسبات تکاملی، مدل جایگزین، کریگینگ، بهینه سازی، بهینه سازی متغیر وفاداری،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
- We extended variable fidelity optimization framework to include multiple surrogates.
- Build multiple Kriging models by using k-means clustering algorithm.
- More reliably solve the large sample size surrogate-modeling problem.
- Accelerate surrogate-assisted multi-objective genetic algorithm.
- Results converge closely to the high-fidelity Pareto front.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Soft Computing - Volume 24, November 2014, Pages 482-493
Journal: Applied Soft Computing - Volume 24, November 2014, Pages 482-493
نویسندگان
Yan Liu, Matthew Collette,