ترجمه مقاله الگوریتم جمعیت کریل داربستی

توضیحات

 عنوان فارسی: الگوریتم جمعیت کریل داربستی

عنوان انگلیسی مقاله ترجمه شده:

Stud krill herd algorithm

چکیده

به تازگی، گندمی و علوی یک الگوریتم بهینه سازی فوق ابتکاری ، به نام جمعیت کریل (KH)،برای بهینه سازی جهانی , پیش نهاد کردند[گندمی ، علوی.که الگوریتم حمعیت کریل زیست الهام گرفته شده است . ارتباطات در علوم غیر خطی و شبیه سازی عددی، 17 (12)، 4831-4845، 2012.]. این مقاله یک روش بهینه سازی برای بهینه سازی جهانی با استفاده از یک نوع جدیدی از KH را نشان می دهد. این روش به نام جمعیت کریل داربستی (SKH) نامگزاری شده است. مشابه مکانیسم تولید مثل ژنتیکی که به روش KH اضافه میشود، یک طرح تولید مثل ژنتیکی به نام انتخاب داربستی و اپراطور متقاطع (SSC) روز شده است،که به KH در طول فرایند به روز رسانی کریل برخورد با مسائل بهینه سازی عددی معرفی شده است.اپراتور SSC معرفی شده, از الگوریتم ژنتیک داربستی اصلی سرچشمه گرفته است. در اپراتور SSC، بهترین کریل، وداربست، اطلاعات مطلوب آن برای همه افراد دیگر در جامعه با استفاده از کلی اپراتورهای ژنتیکی به جای انتخاب تصادفی تهیه میکنند. این رویکرد به نظر می رسد به خوبی قادر به حل توابع مختلف است. مشکلات متعددی برای تست روش   SKHاستفاده می شود. علاوه بر این، تاثیر انواع متقاطع مختلف بر روی همگرایی و کارایی ,با دقت مورد مطالعه قرار گرفت است. نتایج تجربی , نسخه آموزنده ای برای نمونه کاری از تکنیک های ازدحام هوش را نشان می دهد.

1.مقدمه

در  حوزه مدیریت، علوم محاسبه ای، و هوش مصنوعی، در اصل، بهینه سازی یک انتخاب از یک بردار است که می تواند یک راه حل بهینه برای تابع هدف  داشته باشد [1]. با توسعه علم و فن آوری، مشکلات بهینه سازی مهندسی عملی در حال بیشتر و پیچیده تر شدن است. معمولا، روش های تصادفی هوشمند برای مقابله با این مشکلات پیچیده استفاده شده است. یک راه آشنا برای دسته بندی تکنیک ها کشف ویژگی های روش است، و این تکنیک هارا می تواند

در درجه اول به دو بخش روش استاندارد و روش تصادفی تقسیم کرد. روش استاندارد همیشه بهینه سازی یکسانی را دنبال دارد. ما می توانیم فرآیند بهینه سازی را تکرار کنیم و اگر بهینه سازی باشرایط ابتدایی یکسان غاز گردد , یک راه حل نهایی یکسان به دست می آید [1]. برخلاف روش استاندارد، برای روش تصادفی مدرن, مراحل از یک روش منظم پیروی نمی کنند. فرآیند بهینه سازی نمی تواند تکراری باشد، و آنها همیشه راه جدید و متفاوتی را دنبال میکنند. در نهایت، این اتفاق منجر به راه حل مختلف بدون در نظر گرفتن مقدار اولیه میشود. با این حال، در اکثر موارد، هر دو ی آنها می تواند راه حل های بهینه  را بیابند اگرچه کمی تفاوت از یک دیگرند. به تازگی، روش تحقیق فرا ابتکاری موثردر برخورد با مسائل غیر خطی انجام گرفته است. در تمام تکنیک های جستجو فرا ابتکاری ، تلاش زیادی به مناسب سازی مبادله بین اکتشاف و بهره برداری در تحقیق برای راه حل های بهینه  اختصاص داده شده است[2]. روش های جستجو فرا ابتکاری قوی بزرگ بسیاری است که با الهام از برای حل مشکلات پیچیده مهندسی [3]، مانند برآورد پارامتر [4]، سیستم شناسایی [5]، آموزش و پرورش [6]، و بهینه سازی مهندسی طبیعت طراحی شده اند.[7،8]. اکثریت قریب به اتفاق روش های فرا ابتکاری همیشه می توانند راه حل بهینه و تابع بهینه از یک جامعه راه حل ها را پیدا میکند.در دو دهه گذشته، بسیاری از تکنیک های بهینه سازی معروف توسعه یافته اند، مانند کلونی زنبور مصنوعی (ABC) [9]،برنامه نویسی ژنتیک (GP) [10]، بهینه سازی کلونی مورچه (ACO)[11،12]، تکامل دیفرانسیل (DE) [13،14]، استراتژی تکاملی(ES) [15]، الگوریتم خفاش (BA) [16،17]، جستجو سیستم شارژ (CSS)[18،19]، بهینه سازی مبتنی بر جغرافیای زیستی (BBO) [20]، هماهنگی جستجو (HS) [21،22]، جستجو فاخته (CS) [23،24]، ازدحام ذرات بهینه سازی (PSO) [25-27]، الگوریتم بحران انفجار بزرگ

[28-31]، مبتنی بر جمعیت یادگیری افزایشی (این الگوریتم) [32] و اخیرا، الگوریتم  KH[33] که مبتنی بر شبیه سازی رفتار گروهی از کریل هاست. در سال 2012، یک رویکرد هوش گروهی، یعنی روش KH[33]، در مرحله اول برای مشکل بهینه سازی جهانی ارائه شد.اصول روش KH شبیه رفتار گروه کریل در طبیعت است. تابع هدف مورد استفاده در KH عمدتا توسط حداقل فاصله از موقعیت مواد غذایی و بزرگترین تراکم گروه تصمیم گیری میکند. موقعیت برای هر کریل بیشتر سه بخش را پوشش می دهد. KH  یک روش موثر در بهره برداری است.با این حال، در مواردی،ممکن است چشم انداز برخی از بهترین راه حل های محلی چند کیفیتیسازگار نیستگریزی نباشد بنابر این به خوبی نمی توان بهصورت جهانی جستجو کرد]3].برای رویکرد منظم KH، جستجو به طور کاملا تصادفی.است

بنابراین، آن همیشه نمی تواند به سرعت همگرا باشد. استاندارد GA (الگوریتم ژنتیک) [34،35]، سه اپراتور ژنتیکی

(انتخاب، ادغام و جهش) تا زمانی که ازخاتمه شرایط راضی باشد , تکرارمیکند. به منظور بهبود عملکرد GA، انواع GA ها توسعه داده شده است. یکی از روش های خوب معروف است به  داربستی GA (SGA) [36]. در SGA، به جای انتخاب تصادفی، بهترین فردی، داربستی، اطلاعات مفید خود را برای تمام افراد دیگر در جامعه توسط اپراتورهای GAفراهم می کند[36]. در این مقاله، یک روش SKH موثر ,ترکیب KH با SGA پیشنهاد شده است. هدف از SKH برای سرعت بخشیدن به سرعت همگرایی است. درمرحله اول از SKH، ما از KH پایه برای انتخاب راه حل تابع امید بخش استفاده میکنیم. پس از آن، برای مدل سازی دقیق تر رفتار کریل، با الهام از SGA، انتخاب به روزشده و عملکرد متقاطع ، که انتخاب داربستی و اپراتور متقاطع (SSC) نام گذاری شده ، به روش اضافه شده است.

اپراتور SSC برای تنظیم دقیق انتخاب راه حل امید بخش به منظور افزایش اعتبار وخوشفکری برای بهینه سازی جهانی به کار گرفته شده است. اپراتور SSC اضافه شده موقعیت کریل را طبق به انتخاب چرخ رولت به روز می کند.

این عملگرمتقاطع در اپراتور SSCمی تواند به جلوگیری زودرس همگرایی در مرحله اجرای اولیه، و اصلاح راه حل نهایی دربعد کمک کند. روش SKH ارائه شده , در 22 معیار تأیید شده است.نتایج تجربی نشان می دهد که SKH موثر تر وقوی تر از KH، و دیگر 11 روش های بهینه سازی مطرح شده است. چارچوب اصلی  این مقاله در زیر ارائه شده است. بخش 2 وبخش 3 KH و روش SGA به صورت خلاصه و به ترتیب توصیف میکند  .روش SKH ما در بخش 4 ارائه شده است. برتری روش SKH که توسط 22 معیار در بخش 5 ارائه شده است. در نهایت،در بخش 6 همه کار ها در کار حاضر خلاصه میشود.

2.الگوریتم KH

 KH[33] یک رویکرد بهینه سازی تصادفی کلی جدید برای مشکل بهینه سازی جهانی است. که  آن از گروه کریل زمان شکار مواد غذایی و برقراری ارتباط با یکدیگر الهام گرفته است. روش KH سه تغییر مکانی تکرار میکند وتا مقدار تابع هدف افزایش جستجو را ادامه میدهد. زمان موقیت اطمینان عمدتا توسط سه جنبش تعیین میشود:

I. عمل جستجوی غذا

II. جنبش تحت تاثیر دیگر کریل ها

III. انتشار فیزیکی

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.