آشنایی با موضوع

الگوریتم تکامل دیفرانسیل یا الگوریتم تکاملی تفاضلی (DE) نخستین بار در سال 1995 توسط استورن و پرایس معرفی شد. این دو نشان دادند که این الگوریتم توانایی خوبی در بهینه سازی توابع غیرخطی مشتق ناپذیر دارد که به عنوان روشی قدرتمند و سریع برای مسائل بهینه سازی در فضاهای پیوسته معرفی شده است. الگوریتم (DE) جهت غلبه بر عیب اصلی الگوریتم ژنتیک، یعنی فقدان جستجوی محلی دراین الگوریتم ارائه شده است، تفاوت اصلی بین الگوریتم های ژنتیکی و الگوریتم (DE)در عملگر انتخاب selection operators می باشد. در اپراتور انتخاب GA،شانس انتخاب یک جواب به عنوان یکی از والدین وابسته به مقدار شایستگی آن می باشد،اما در الگوریتم DE همه جواب ها دارای شانس مساوی جهت انتخاب شدن می باشند. یعنی شانس انتخاب شدن آنها وابسته به مقدار شایستگی آنها نمی باشد، پس از این که یک جواب جدید با استفاده از یک اپراتور جهش خود-تنظیم و اپراتور crossover تولید شد،جواب جدید با مقدار قبلی مقایسه می شود و در صورت بهتر بودن جایگزین می گردد. در این الگوریتم بر خلاف دیگر الگورتیم ها که اول عملگر crossover و سپس عملگر mutation انجام می شود به گونه ای که ابتدا عملگرجهش اعمال شده و سپس عملگر تقاطع اعمال می شود تا بدین وسیله نسل جدید ایجاد گردد. برای اعمال عملگر mutation از توزیع خاصی استفاده نمی شود بلکه طول گام جهش برابر با مقدار از فاصله میان اعضای فعلی تعیین می شود. یکی از روش‌های محاسبه توابع حقیقی (Real value) با استفاده از استراتژی‌های تکاملی است. روند تکامل در این الگوریتم مبتنی بر ایجاد بهبود تدریجی و مستمر در حدس اولیه (پاسخ کاندید) بوده و طبق اصول تمامی الگوریتم‌های رده تکاملی، به یک تابع برازندگی (Fitness function) جهت مقایسه پاسخها نیاز داریم. نقطه قوت الگوریتم DE در مقایسه با روشهای حل معادلات حقیقی دیگر (مانند روشهای نیوتن)، عدم نیاز آن به گرادیان یا شیب تابع است. در نتیجه با استفاده از این الگوریتم، بدون وجود هر گونه اطلاعاتی در مورد نوع تابع میتوان به محاسبه یک پاسخ نسبتا بهینه برای انواع توابع چند بعدی پیوسته/غیر پیوسته، متغیر زمانی و نامنظم امیدوار بود. مراحل الگوریتم Differential Evolution به صورت زیر است: تولید جمعیت اولیه از پاسخهای کاندید. هر پاسخ کاندید، یک بردار از اعداد حقیقی به تعداد ابعاد مسئله (پارامترهای مجهول) می‌باشد. به ازای هر پاسخ کاندید X، سه پاسخ متمایز a، b، c را از جمعیت انتخاب می‌نماییم. تعیین پارامتر تصادفی R، در محدوده 1 و ابعاد مسئله. محاسبه پاسخ بهبود یافته Y به این صورت که به ازای هر بعد X(i) از X، در صورت برابر بودن R با i و یا برآورده شدن احتمال ترکیب p(i)، از فرمول برآورد Y(i) = a(i) + F*(b(i) – c(i)) برای محاسبه بعد y(i) استفاده می‌نماییم. در غیر اینصورت خود X(i) به Y(i) انتصاب داده می‌شود. پذیرش پاسخ جدید Y، در صورتی که برازندگی آن از X بیشتر باشد. تکرار مراحل 2 تا 5 تا زمان تحقق شرط خاتمه. لازم به ذکر است که پارامتر CR همان احتمال ترکیب است (مانند ژنتیک) و p(i) نیز شانس تحقق ترکیب برای هر بعد از پاسخ می‌باشد. مقدار F نیز یک مقدار صحیح و ثابت می‌باشد که با توجه به نوع مسئله انتخاب می‌گردد. (البته شیوه انتخاب مقداری مناسب برای F خود ماجرایی دارد)
در این صفحه تعداد 845 مقاله تخصصی درباره الگوریتم تکاملی تفاضلی که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI الگوریتم تکاملی تفاضلی (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Multi-Level image segmentation; Color image; Minimum cross entropy thresholding; Differential evolution; Berkeley Segmentation Dataset and Benchmark
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Hydrothermal scheduling; Maintenance scheduling; Nonconvex optimization; Cascade hydro-power system; Multiobjective optimization; Differential evolution
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Hammerstein model; System identification; Particle swarm optimization algorithm; Differential evolution; Cuckoo search algorithm
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Evolutionary computing; Constrained optimization; System identification; Self-excited vibrations; Differential evolution; Monte Carlo; Ordinary differential equations
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; CEC2005 benchmark; Metaheuristic; Evolutionary computation; AMALGAM; Differential Evolution; Particle Swarm Optimization
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Multi-objective analysis; Artificial bee colony; Differential evolution; Time–cost–quality tradeoff; Construction management
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Support vector machine; Parameter optimization; Differential evolution; Particle swarm optimization; Bare bones differential evolution; Fault diagnosis
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Blog distillation; Particle swarm optimisation; Differential evolution; Line search; Information retrieval
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Environmental/economic dispatch; Orthogonal initialization; Differential evolution; Simulated annealing; Convergence rate; Premature convergence problem
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Crowd modeling and simulation; Differential evolution; Evolutionary algorithm; Model calibration; Sensitivity analysis;
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Conditional Fuzzy C-Means; Induced information granules; Hyperboxes; Granular fuzzy modeling; Differential evolution
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: الگوریتم تکاملی تفاضلی; Hydrothermal power systems; Economic load scheduling; Combined economic emission scheduling; Differential evolution; Optimization