یک رویکرد ممتیک جدید در بهینه سازی عددی: الگوریتم تکامل تفاضلی سلسله مراتبی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 470

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

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMPUTER01_030

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

الگوریتم تقاضل تکاملی (DE) یک بهینه ساز ساده و کامل است، به خصوص برای بهینه سازی های پیوسته. به این دلایل DE اغلب برای حل مسائل مختلف مهندسی به کار گرفته می شود. از سوی دیگر، ساختار DE دارای محدودیت هایی در منطق جست و جو است. این حقیقت الهام بخش بسیاری از محققین برای بهبود DE از طریق ایجاد تغییراتی در ساختار الگوریتم اصلی، شده است. در این مقاله یک الگوریتم ممتیک با تغییر ساختار DE پیشنهاد شده است. الگوریتم DE در اینجا به صورت سلسله مراتبی در دو لایه مورد استفاده قرار گرفته است . در لایه پایین، چند DE به موازات برای جلوگیری از به دام افتادن در بهینه محلی تکامل می یابند. پس از فرآیند تکامل در لایه پایین، بهترین و بدترین فرد از هر گروه به عنوان نامزد برای ساخت جمعیت در لایه بالایی، انتخاب می شوند. الگوریتم پیشنهادی با چهار نوع مختلف DE با استفاده از 6 تابع محک مقایسه می شود. نتایج نشان می دهد که الگوریتم ما نه تنها به طور قابل توجهی عملکرد بهتری نسبت به DE دارد، بلکه روش امیدوار کننده ای برای حل مسائل بهینه سازی است.

نویسندگان

مرضیه ابواسحق

دانشجوی کارشناسی ارشد بخش مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان

مهدی افتخاری

استادیار بخش مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان

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. Das, S. Sil, Kernel -induced fuzzy clustering of image ...
  • H. Azamathulla, F. Wu, Support vector machine approach for longitudinal ...
  • H. Azamathulla, A. Ghani, C. Chang, Z. Hasan, N. Zakaria, ...
  • R. Storn and K. Price, "Minimizing the real functions of ...
  • R. Storn and K. Price, "Differential evolution-a simple and efficient ...
  • Xianshun Chen, Yew-Soon Ong, Meng-Hiot Lim, and Kay Chen Tan, ...
  • Ferrante Neri , Carlos Cotta , Memetic algorithms and memetic ...
  • FerranteNeri , Ville Tirronen Recent advances in differentil evolution: a ...
  • Brest J, Greiner S, Boskovi'c B, Mernik M, _ , ...
  • Rahnamayan S, Tizhoosh HR, Salama MM Oppo sition-based differential evolution ...
  • Rahnamayan S, Tizhoosh HR. SalamaMM , Oppo sition-based differential evolution. ...
  • Rahnamayan S, Tizhoosh H, SalamaM , Oppo sition-based differential evolution. ...
  • Das, A. Abraham, U.K. Chakraborty, _ Konar, Differential evolution using ...
  • Qin AK, S uganthanPN, Self-adaptive differential evolution algorithm for numerical ...
  • Qin AK, Huang VL, SuganthanPN , Differential evolution algorithm with ...
  • R. Brits, A. Engelbrecht, F. Van den Bergh, Solving systems ...
  • N. Huy, O. Soon, L. Hiot, N. Krasnogor, Adaptive cellular ...
  • H. Wang, S. Yang, W.H. Ip, D. Wang, A memetic ...
  • S. Yang, C. Li, A clustering particle SWarm optimizer for ...
  • Zielinski K, Weitkemper P, Laur R, Kammeyer K-D , Parameter ...
  • Zielinski K, Laur R .Stopping criteria for differentil evolution in ...
  • Neri F, TirronenV , On memetic differential evolution frameworks: a ...
  • نمایش کامل مراجع