کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
862218 | 1470789 | 2012 | 6 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
The Research of Genetic Ant Colony Algorithm and Its Application
ترجمه فارسی عنوان
تحقیقی پیرامون الگوریتم کلونی مورچه ژنتیک و کاربرد آن
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
- الگوریتم ژنتیک - بهینه سازی کلونی مورچه ها - مسئله بهینه سازی
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.مقدمه
2.تعیین زمان ترکیب GA و ACO
شکل 1. فلوچارت الگوریتم کلونی مورچه ژنتیک
3.آزمون بهینه سازی الگوریتم کلونی مورچه ژنتیک
3.1توصیف مسائل کوله پشتی 0-1 (KPها)
3.2طراحی الگوریتم
3.3نتایج تجربی
جدول 1. مقایسه نتایج تجربی از سه الگوریتم
4.به کارگیری الگوریتم کلونی مورچه در QoS
4.1مدل ریاضی کیفیت خدمات رسانی (QoS)
4.2تحلیل نتایج تجربی این تحلیل
5.نتیجه گیری
کلمات کلیدی
1.مقدمه
2.تعیین زمان ترکیب GA و ACO
شکل 1. فلوچارت الگوریتم کلونی مورچه ژنتیک
3.آزمون بهینه سازی الگوریتم کلونی مورچه ژنتیک
3.1توصیف مسائل کوله پشتی 0-1 (KPها)
3.2طراحی الگوریتم
3.3نتایج تجربی
جدول 1. مقایسه نتایج تجربی از سه الگوریتم
4.به کارگیری الگوریتم کلونی مورچه در QoS
4.1مدل ریاضی کیفیت خدمات رسانی (QoS)
4.2تحلیل نتایج تجربی این تحلیل
5.نتیجه گیری
ترجمه چکیده
در این مقاله از طریق انجام پژوهشی در خصوص الگوریتم ژنتیک سنتی و روش بهینه سازی کلونی مورچه ، روش الگوریتم مورچه ژنتیک پیشنهاد می شود. این الگوریتم در مرحله تعیین مقادیر اولیه توزیع فرمون، از نتایج الگوریتم ژنتیک استفاده می کند. الگوریتم ژنتیک با داشتن ویژگی سازگاری قدرتمند و سرعت بالا در همگرایی کلی مسئله، ابزار بسیار مفیدی در این مرحله است. پس از این مرحله، یافتن پاسخ بهینه از طریق الگوریتم کلونی انجام می گیرد که دارای ویژگی پردازش موازی، سیستم بازخورد مثبت، و بازدهی پاسخ مناسب است. نتایج این شبیه سازی به روش کوله پشتی 0-1 و کیفیت خدمت رسانی( QoS)، نشان می دهد که این الگوریتم از سرعت همگرایی بالاتر، پایداری، و قدرت بهینه سازی کلی بهتری برخوردار است.
موضوعات مرتبط
مهندسی و علوم پایه
سایر رشته های مهندسی
مهندسی (عمومی)
چکیده انگلیسی
This paper proposes genetic ant algorithm through the research of the traditional genetic algorithm and ant colony optimization. This algorithm use the results of the genetic algorithm to initialize the pheromone distribution,use its strong adaptability and rapid global convergence and then get the optimal solution through the colony algorithm that has parallelism, positive feedback system and good solution efficiency. The simulation results of 0-1 knapsack and QoS demonstrate that this algorithm has higher converging speed, stability and global optimization ability.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Procedia Engineering - Volume 37, 2012, Pages 101–106
Journal: Procedia Engineering - Volume 37, 2012, Pages 101–106