این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۳، شماره ۳، صفحات ۱۱-۲۴
عنوان فارسی طراحی الگوریتم بهینه‌سازی چندهدفه به کمک الگوریتم جغرافیای زیستی و الگوریتم تکاملی تفاضلی
چکیده فارسی مقاله بهینه‌سازی بر پایه‌ جغرافیای زیستی، الگوریتم تکاملی جدیدی بر اساس جمعیت است که ریاضیات جغرافیای زیستی، بر آن حاکم است و الگوریتم تکامل ‌تفاضلی، الگوریتمی قدرتمند برای حل بسیاری از مسائل بهینه‌سازی است. الگوریتم تکامل ‌تفاضلی در اکتشاف فضای جستجو و تعیین مکان مینیمم سراسری خوب، ولی در استخراج راه‌حل مسأله کند است. در این مقاله قابلیت اکتشاف الگوریتم تکامل ‌تفاضلی با قابلیت استخراج الگوریتم بهینه‌سازی بر پایه‌ جغرافیای زیستی، ادغام شده و با معرفی یک عملگر مهاجرت ترکیبی، الگوریتم جدیدی برای حل مسائل بهینه‌سازی چندهدفه ارائه شده است. در الگوریتم پیشنهادی از فرایند مرتب‌سازی غیرمغلوب برای بهبود همگرایی و از مفهوم فاصله جمعیتی محلی برای حفظ پراکندگی اعضای موجود در مجموعه پرتو استفاده شده است. در این مقاله کارایی الگوریتم پیشنهادی با استفاده از چند تابع آزمون رایج آزمایش شده و معیارهای مطرح در مسائل بهینه‌سازی چندهدفه تکاملی، ارزیابی و با الگوریتم‌های مطرح در این زمینه مقایسه شده است. نتایج حاصل بیانگر کارایی مطلوب الگوریتم پیشنهادی در رقابت با سایر الگوریتم‌های مطرح است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Multi Objective Optimization Using Biogeography Based Optimization and Differentional Evolution Algorithm
چکیده انگلیسی مقاله Biogeography-Based Optimization (BBO) which is a new population based evolutionary optimization method inspired by biogeography and Differential Evolution (DE) is a fast and robust evolutionary algorithm for optimization problems. DE algorithm is good at the exploration of the search space and finds global minimum but is not good in exploitation of solutions. In this paper, we combine the exploration of DE with the exploitation of BBO to solve multi-objective problems by introducing a hybrid migration operator effectively. The proposed algorithm (MOBBO/DE) makes the use of nondominated sorting approach improve the convergence ability efficiently and hence it can generate the promising candidate solutions. It also combines crowding distance to guarantee the diversity of Pareto optimal solutions. The proposed approach is validated using several test functions and some metrics taken from the standard literature on evolutionary multi-objective optimization. Results indicate that the approach is highly competitive and that can be considered a viable alternative to solve multi-objective optimization problems.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حمید گل احمدی | gol ahmadi
پژوهشکده برق جهاد دانشگاهی

محمد تشنه لب |
دانشگاه صنعتی خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

مهدی علیاری شوره دلی | aliyari shoorehdeli
دانشگاه صنعتی خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

سمیرا عبدی دویران | abdi daviran
دانشگاه صنعتی خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

نشانی اینترنتی http://isee.ui.ac.ir/article_15343_d6fe1e6345746b2a5dbb3c36c1756a09.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343814.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات