یک NSGA-III روش بهبود یافته برای بهینه سازی چند هدفه تکاملی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,849

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EECS01_001

تاریخ نمایه سازی: 8 اردیبهشت 1396

چکیده مقاله:

(مسایل بهینه سازیچهار یا اهداف بیشتر) یکچالش بزرگ برایتسلط پرتو کلاسیک بر الگوریتم هایتکاملی چند هدفه (MOEAها)، مانند II-NSGA و SPEA2 در برخواهد داشت. این عمدتا به دلیل این واقعیت است که با افزایش تعداد اهداف ؛ فشار انتخاب بر اساس تسلط پرتو به شدت کاهش می یابد . به تازگی، یک نقطه مرجع مبنی بر II-NSGA ،به عنوان III-NSGA ،برایمقابله با مسایل چند هدفی پیشنهاد می شود، که در آن حفظ تنوع در میان اعضایجمعیتتوسط تهیه و انطباق به روز رسانی تعدادی از نقاط مرجع به خوبی گسترده شده حفظ می شود. با این حال، III-NSGA هنوز در تسلط پرتو متکی به فشار جمعیت به سمت front pareto) PF ،(برای بهبود تواناییهمگرایی آن است. در اینمقاله ما مطالعه ای بر فعالیت های اخیر و همچنین یکروش NSGAIII بهبود یافته، به نام III-NSGA-ș ،داریم ، با هدف معاوضه بهتر همگرایی و تنوع در بهینه سازی چند هدفه است. در III-NSGA-ș ،طرح مرتب سازی غیرتحت سلطه بر اساس پیشنهاد dominance-θ برای رتبه بندی راه حل در مرحله انتخاب محیط است، که هر دو همگرایی و تنوع را تضمین می کند. آزمایش هایمحاسباتی نشان داده اند که III-NSGA-ș به طور قابل توجهی بهتر از اصل III-NSGA و D/MOEAدر اغلب موارد بدون توجه به همگرایی و عملکرد کلی هستند.

کلیدواژه ها:

non-dominated sorting ، ș-dominance ، III-NSGA ، III-NSGA-ș ، هدفه چند سازی بهینه

نویسندگان

محمدمهدی یوسفی

شیراز ، موسسه آموزش عالی آپادانا

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 :
  • J. G. Herrero, A. Berlanga, and J. M. M. Lopez ...
  • A. S:ulflow, N. Drechsler, and R. Drechsler. Robust multi-objective optimization ...
  • W. Mkaouer, M. Kessentini, S. Bechikh, K. Deb, and M. ...
  • E. Zitzler, M. Laumnns, and L. Thiele. SPEA2: Improving the ...
  • N. Drechsler, R. Drechsler, and B. Becker. Multi-objective optimisation based ...
  • M.Farina and P. Amato. A fuzzy definition of "optimality" for ...
  • F. di Pierro, S.-T. Khu, and D. A. Savic. An ...
  • A. L opez, C. A. C. Coello, A. Oyam, and ...
  • _ Deb, A. Pratap, S. Agarwal, and T. Meyarivan. A ...
  • M. KFoppen and K. Yoshida. Substitute distance assignments in nsga-i ...
  • S. Kukkonen and K. Deb. Improved pruning of non-dominated solutions ...
  • S. F. Adra and P. J. Fleming. Diversity mmnagement in ...
  • H. Li and Q. Zhang. Multiobjective optimzation problems with complicated ...
  • Q. Zhang and H. Li. MOEA/D: A multiobjective evolutionary algorithm ...
  • E. Zitzler and S. K:unzl Indicator-bas ed selection in multiobjective ...
  • N. Beume, B. Naujoks, and M. Emmeric. SMS-EMOA: Multiobjective selection ...
  • J.Bader and E Zitzler. Hype: An algorithm for fast hyp ...
  • K. Deb and R B. Agrawal. Simulated binary crossover for ...
  • A. Jaszkiewic, Momh multip le-objective metaheuristic, Apr. 2013. [Online]. Available: ...
  • نمایش کامل مراجع