تعیین مقدار ماکزیمم و بهینه یابی یک تابع دو متغیره با الگوریتم ژنتیک

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 4,679

فایل این مقاله در 7 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:

INDMATH02_059

تاریخ نمایه سازی: 28 شهریور 1394

چکیده مقاله:

امروزه بدست آوردن نقاط اکسترمم توابع در بهینه سازی اهمیت بسیاری کرد ه اند. یکی از روش های مورد استفاده در بهینه سازی و پیدا کردننقاط اکسترمم توابع، روش الگوریتم ژنتیک است. در این مقاله بعد از معرفی مختصر الگوریتم ژنتیک، از این روش برای بررسی نقاط ماکزیمم تابع (F=t(2)+βxE(2 در بازده متغیرهای t<63 و E<63 پرداخته می شود. این کار با دو فرض β=0 و β=1 انجام می شود. با استفاده از نتایج حاصل نقاط ماکزیمم پیدا می شود. برای اطمینان یافتن نسبت به نتایج خروجی از الگوریتم ژنتیک، از روش مشتق گیری برای پیداکردن نقطه ماکزیمم تابع در تابع مذکور پرداخته می شود. نتایج حاصل نشان می دهد که خروجی این روش با خروجی حاصل از روش الگوریتمژنتیک، یکسان هستند. در ادامه به بررسی تاثیر ضریب جهش در روند به پاسخ رسیدن الگوریتم ژنتیک را بررسی می کنیم. در گام بعد، برایبالا بردن سرعت همگرایی از یک سری شما استفاده می کنیم. نتایج نشان می دهد که این کار سرعت همگرایی را به طور چشمگیری افزایشمی دهد.

نویسندگان

محمد تقی احمدیان

تهران، دانشگاه صنعتی شریف

رضا درخشان

تهران، دانشگاه صنعتی شریف

حسن صیادی

تهران، دانشگاه صنعتی شریف

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 :
  • Samarasinghe, Sandhya , "neural network for applied sciences and engineering:, ...
  • S. Haykin, Neural Networks: A Comprehensive Foundation: Prentice Hall PTR ...
  • J. E. Dayhoff, Neural Network Architectures An Introduction. Van Nostrand ...
  • نمایش کامل مراجع