استفاده از یادگیری براساس تضاد برای افزایش سرعت الگوریتم های تکاملی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 741

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MHAA01_059

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

دراین مقاله ازیادگیری براساس تضادبرای تعیین جمعیت اولیه الگوریتم های تکاملی وافزایش سرعت آنها استفاده می کنیم شروع ازیک جمعیت اولیه مناسب درالگوریتم های تکاملی کاری بسیار مهم و دشوار است زیرانقطه شروع هم درسرعت همگرایی الگوریتم و هم درکیفیت جواب نهایی موثر است اگرهیچ اطلاعی درمورد راه حل نباشد انگاه تولید جمعیت تصادفی رایج ترین روش برای تولید جمعیت اولیه است دراین مقاله ازنگرش جدیدی بانام یادگیری براساس تضادویایادگیری برعکس برای تولید جمعیت اولیه برای الگوریتم ژنتیک GA و الگوریتم ترکیبی ژنتیک وبهینه سازی جمعی ذرات HGAPSO به منظور کمینه سازی 10تابع محک استفاده میشود نتایج بدست آمده ازمقایسه الگوریتم ژنتیک gA والگوریتم ترکیبی ژنتیک و بهینه سازی جمعی ذرات HGAPSO دردوحالت باجمعیت اولیه تصادفی و جمعیت اولیه براساس تضاد نشان میدهد که استفاده از جمعیت اولیه براساس تضادبجای جمعیت اولیه تصادفی سبب افزایش سرعت همگرایی الگوریتم های تکاملی میشود

کلیدواژه ها:

نویسندگان

زهره جهانی

دانشگاه آزاد اسلامی واحد بابل، گروه کامپیوتر

سیدنقی سیدآقائی رضائی

دانشگاه آزاد اسلامی واحد علی آبادکتول گروه کامپیوتر

فرهاد رمضانی موزیرجی

دانشگاه آزاد اسلامی واحد ساری گروه کامپیوتر

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 :
  • S Rahmamayan, H R. Tizhoosh_, M M.A. Salama, _ novel ...
  • N Noman, H Iba, "Accelerating Differential Evolution Using an Adaptive ...
  • H.R. Tizhoosh, "Opposition-b ased learning: A new scheme for machine ...
  • J Brest, M Mernik, V Zumer, _ Self-Adapting Control Parameters ...
  • J Zhang, H S.H Chung, W.L Lo, "Clustering-B ased Adaptive ...
  • H. Maaranen, K. Miettinen, M.M. Makela, _ Quasi-Rando m Initial ...
  • O. Hrstka, A. Kucerov a, "Improve ment of real coded ...
  • M Settle, T Soule, "Breeding Swarms: A GA/PSO Hybrid", GECCO ...
  • C.F Juang, "A Hybrid of Genetic Algorithm and Particle Swarm ...
  • V den Bergh, "An Analysis of Particle Swarm Optimizers", University ...
  • نمایش کامل مراجع