یک الگوریتم تکاملی جدید مبتنی بر چرخه آب در طبیعت

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 4,242

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:

ICEEE04_169

تاریخ نمایه سازی: 6 مهر 1391

چکیده مقاله:

در سال های اخیر، متدهای فراابتکاری زیادی توسعه داده شده اند. بسیاری از این متدها الهام گرفته از فرایندهای طبیعی می باشند مانند الگوریتم ژنتیک، پرندگان، مورچه ها و بازپخت شبیه سازی شده. در این مقاله یک الگوریتم بهینه سازی جدید مبتنی بر چرخه آب در طبیعت ارائه شده است. در این الگوریتم همانند چرخه آب در طبیعت، با الگو برداری از تبخیر آب از اقیانوس، تشکیل ابر، تشکیل رودخانه و همچنین الگوبرداری از سرریز آب از گودال ها در طبیعت الگوریم جدید ارائه شده است که قابلیت بالایی در فرار از بهینه محلی و همچنین سرعت زیادی در رسیدن به بهینه سراسری دارد. پیاده سازی الگوریتم ارائه شده بر روی توابع آزمون استاندارد و نتیجه بدست آمده از آن بیانگر کیفیت مطلوب الگوریتم در دستیابی به بهترین حالت در هر تابع آزمون می باشد. همچنین مقایسات صورت گرفته بین الگوریتم ارائه شده با الگوریتم های مشهور دیگر نشان دهنده برتری الگوریتم ارائه شده نسبت به اکثر الگوریتم های مورد مقایسه در اکثر توابع آزمون می باشد.

کلیدواژه ها:

نویسندگان

سید مرتضی حسینی

گروه کامپیوتر- نرمافزار، دانشگاه آزاد اسلامی واحد مشهد

مجید وفایی جهان

گروه کامپیوتر- نرم افزار، دانشگاه آزاد اسلامی واحد مشهد

جواد صدری

دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند

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 :
  • A. Badr, A. Fahmy, A proof of convergence for ant ...
  • particle swarm optimization particle trajectories, Information Sciences 176, 937-971, 2006. ...
  • A. Biswas, S. Dasgupta, S. Das, and A. Abraham, foraging ...
  • optimization: A comparative study _ numerical benchmarks, " in Proc. ...
  • O. Cordon, S. Damas, J. Santamarn, A fast and accurate ...
  • S.Dasgupta, S.Das, A.Abraham, "Adaptive Computational Chemotaxis in Bacterial Foraging Optimization: ...
  • U.S. Department of the ...
  • M. Dorigo, V. Maniezzo, A. Colormi, The ant system: optimization ...
  • W. Du, B. Li, Multi-strategy ensemble particle _ optimization for ...
  • I. Ellabib, P. Calamai, O. Basir, Exchange colony ...
  • Information Sciences 177, 1248-1264, 2007. ...
  • S. He _ Q.H.Wu , J. R. Saunders ;Group Search ...
  • J. H. Holland, Adaption in Natural and Artificial Systems. Ann ...
  • J. Kennedy and R. C. Eberhart, "Particle swarm optimization, " ...
  • A. Kalinlia, N. Karabogab, Artificial immune algorithm for IIR filter ...
  • C. Karakuzu, Fuzzy controller training using particle swam optimization for ...
  • J. Kennedy, R.C. Eberhart, Particle Swarm optimization, in: Proceedings of ...
  • th Iranian _ _ _ (ICEEE2012) _ ...
  • Conference _ Neural Networks, vol. 4, pp. 1942- 1948, 1995. ...
  • Evolutionary Computation, No. 14, pp:591-601, [17] S. Kirkpatrick, C.D. Gelatto, ...
  • Comput, vol. 8, no. 1, pp. 1-13, Feb. 2004. ...
  • Y. W. Leung and Y. P. Wag, _ orthogonal genetic ...
  • K.S. Tang, K.F. Man, S. Kwong, Q. He, Genetic algorithms ...
  • Y.Wang, C.Dang, _ Evolutionary Algorithm August 2010. for Global Optimization ...
  • Y.Wang, B.Li, T.Weise, J.Wang, B.Yuan, ...
  • Q.Tian, _ Self-adaptive learning based particle programming using mutations based ...
  • نمایش کامل مراجع