بررسی جایگاه الگوریتم های فراابتکاری نوین درحوزه مسائل بهینه سازی مهندسی صنایع

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,068

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

RIEEM01_052

تاریخ نمایه سازی: 7 آبان 1393

چکیده مقاله:

بهینه سازی اهمیت زیادی دربسیاری ازشاخه های علوم از جمله فیزیک شیمی مهندسی و... دارد وبرای مهندسین صنایع باتوجه به ماموریتی که دراستفاده بهینه ازمنابع جهت دستیابی به بهترین خروجی رادارند ازجایگاه ویژه ای برخوردار است دستیابی به جواب بهینه بسیاری ازمسائل دنیای واقعی درمهندسی طبیعتا پیچیده تر ومشکل تر ازآن است که با روش های مرسوم بهینه سازی نظیر روشهای حل دقیق و روشهای ابتکاری بتوان به جواب بهینه یانزدیک به بهینه آنها دست یافت زیرا این روش ها قادرنیستند برای مسائل غیرخطی پاسخ بهینه کلی را ارایه دهند و درخیلی ازمسائل کوچک غیرخطی فقط به جواب بهینه محلی اکتفا می کنند دراین میان روش های فراابتکاری با الگوریتم های گسترده ای که تعدادشان هم رو به افزایش است برمشکلات اندازه مساله و پیچیدگی های حاصل ازآن فایق آمده و قادر هستندبزرگترین مسائل را درزمانی کوتاه به جواب بهینه یا نزدیک به بهینه کلی برسانند باتوجه به گستردگی و تنوع این الگوریتم و انواع جدید آن که درسالهای اخیر معرفی گشته است نیاز به انجام یک دسته بندی مناسب براساس زمینه کاری مزایا و معایب آنها محسوس بود دراین مقاله به بررسی اجمالی چندنمونه ازالگوریتم های فراابتکاری ارایه شده طی سالهای اخیر پرداخته میشود و ویژگیهای آنها بررسی می گردد

کلیدواژه ها:

بهینه سازی ، الگوریتم زنبورعسل ، بهینه سازی فاخته ، کلونی زنبورعسل مصنوعی ، الگوریتم جستجوی هارمونی ، الگوریتم کرم شب تاب ، الگوریتم دستگاه الکترومغناطیس - مانند ، بهینه سازی غذایابی باکتری

نویسندگان

فرزانه قنبریان

دانشجوی کارشناسی ارشدمهندسی صنایع مدیریت سیستم وبهره وری دانشگاه پیام نورتهران ری

غلامرضا اسماعیلیان

استادیارگروه مهندسی صنایع دانشگاه پیام نوراصفهان

مریم حامدی

استادیارگروه مهندسی صنایع دانشگاه پیام نوراصفهان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abdullah, A., Deris, S., Mohamad, M. S., _ Hashim, S.Z. ...
  • Atasagun, Y., _ Kara, Y. (2011). Assembly line balancing using ...
  • Basturk, B., & Karaboga, D. (2006). An artificial bee colony ...
  • Birbil, & Fang, S.-C. (2003). An e _ ectromagnetis m-I ...
  • Birbil, Fang, S.-C., & Sheu, R.-L. (2004). On the convergenc ...
  • Birbil, s., & Fang, S. (2003). An el ectromagn etism-li ...
  • Blum, C., & Roli, A. (2003). M etaheuristics in combinatoril ...
  • Borenstein, Y., _ Poli, R. (2006). Structure and m etaheuristics. ...
  • Burke, E. _ _ Kendall, G. (2005). Search m ethodologies ...
  • Chang, P.-C., Chen, S.-H., & Fan, C.-Y. (2009). A hybrid ...
  • Dejam, S., Sadeghzadeh, M., & Mirabedini, S. J. (2012). Combining ...
  • G-Villoria, A., _ Moreno, R. P. (2010). Solving the response ...
  • Geem, Z. W., Kim, J. H., _ Loganathan, G. (2001). ...
  • Jati, G. K. (2011). Evolutionory discrete firefly olgorithm for travelling ...
  • Karaboga, D. (2005). An ide bosed on honey bee sworm ...
  • Karaboga, D., & Basturk, B. (2007a). Artificial bee colony (ABC) ...
  • Karaboga, D., & Basturk, B. (2007b). A powerful and efficient ...
  • Kim, D. H., Abraham, A., & Cho, J. H. (2007). ...
  • Lee, K. S., Geem, Z. W., Lee, S.-h., & Bae, ...
  • Lukasik, S., & zak, S. (2009). Firefly algorithm for continuous ...
  • Computation al Collective Intellience. Semontic Web, Sociol Networks and Multiagent ...
  • Mahdavi, M., Fesanghary, M., & Damangir, E. (2007). An improved ...
  • Nasiri, B., & Meybodi, M. (2012). Speciation based firefly algorithm ...
  • ozbakir, L., & Tapkan, P. (2010). Balancing fuzzy _ ulti-objective ...
  • Pan, Q.-K., Fatih Tasgetiren, M., Suganthan, P. N., & Chua, ...
  • Pan, Q.-K., Suganthan, P. N., Tasgetiren, M. F., & Liang, ...
  • Passino, K. M. (2002). Biomimicry of bacterial foraging for distributed ...
  • Pham, D., G hanbarzadeh, A., Koc, E., Otri, S., Rahim, ...
  • Pham, D., G hanbarzadeh, A., Koc, E., Otri, S., Rahim, ...
  • Rajabioun, R. (2011). Cuckoo optimization algorithm. Applied Soft Computing, 11(8), ...
  • Tapkan, P., Ozbakir, L., & Baykasoglu, A. (2012). Modeling and ...
  • Yadav, P., Kumar, R., Panda, S. K., & Chang, C. ...
  • Yang, X.-S. (2008). _ ture-inspired metuheuristc olgorithms: Luniver press. ...
  • Yang, X.-S. (2010). Firefly algorithm, stochastic test functions and design ...
  • Yang, X.-S., & Deb, S. (2009). Cuckoo seorch _ Levy ...
  • Yang, X.-S., & Deb, S. (2010a). Eagle strategy using levy ...
  • Yang, X.-S., & Deb, S. (2010b). Engineering optimisation by cuckoo ...
  • Yang, X.-S., & Deb, S. (2013). Multiobjective cuckoo search for ...
  • Zhu, G., & Kwong, S. (2010). Gbest-guided artificial _ colony ...
  • Ziarati, K., Akbari, R., & Zeighami, V. (2011). On the ...
  • نمایش کامل مراجع