الگوریتم تکاملی ترکیبی برای بهینه سازی مسائل پویا

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,366

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSCCIT01_195

تاریخ نمایه سازی: 8 بهمن 1390

چکیده مقاله:

برای مسائل بهینه سازی پویا ، تابع شایستگی ، متغیرهای طرح و یا شرایط محیطی ممکن است که در طول زمان به دلایل مختلفی تغییر کند . ژویایی متفاوت بر اساس مشخص های محیطی همانند فرکانس ، شدت ، قابلیت پیش بینی وتکراری بودن تغییرات و روشهای بهینه سازی متفاوتی برای آنها وجود دارد. الگوریتم های تکاملی اساسا از تکامل طبیعی الهامم می گیرند و در طبیعت محیط های پویای در حال تغییر اتفاق می افتد . چالشی که اینجا وجود دارد این است که الگوریتم های تکاملی کلاسیک نمی توانند بدلیل همگرایی و کاهش تنوع به خوبی با محیط در حال تغییر تطبیق یابند. روشهایی برای توسعه همانند حفظ تنوع در طول اجرا از طریق روش مهاجران تصادفی ، افزایش تنوع بعد از ایجاد یک تغییر ، استفاده از روش حافظه و چند جمعیتی برای حل مشکل به وجود آمده است.در این مقاله روش ترکیبی الگوریتم ژنتیک با حافظه ، دو جمعیت محاجران تصادفی و شروع مجدد بر روی مهمترین مسدله محک محیط پویا ، پیک های متغیر ، اعمال و ملاحظه می گردد که همانند تاثیر آن بر روی مسئله ماکسیمم یک باعث بهبود عمملکرد بر روی پیکهای متغیر نسبت به روشهای دیگر می گردد. نتایج بیانگر کاترایی الگوریتم مفروض بر روی مسئله ماکسیمم تعداد یک پویا و بخصوص مسئله پیکهای متغیر است.

کلیدواژه ها:

الگوریتم تکاملی ، محیط پویا ، روش مبتنی برا حافظه ، محاجران تصادفی ، الگوریتم ژنتیک مبتنی بر حافظه و چند جمعیتی

نویسندگان

میترا هاشمی

دانشگاه آزاد قزوین - دانشکده برق رایانه و فناوری اطلاعات

محمدرضا میبدی

دانشگاه امیرکبیر - دانشکده مهندسی کامپیوتر

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 :
  • هاشمی میترا، "الگوریتم تکاملی مبتنی بر حافظه و چند جمعیتی ...
  • Engelbrecht A. P., Computational Intelligence. university of Pretoria , Wiley ...
  • Eiben A. E. and Smith J. E., Introduction o Evolutionary ...
  • Branke J., Evolutionary Optimization in Dynamic Environments, Kluwer Academic Publishers, ...
  • Jin Y. and Branke J., "Evolutionary Optimization uncertain environments -A ...
  • Branke J., "Memory Enhanced Evolutionary Algorithms for changing optimization problems", ...
  • Yang, S., Yao, X., _ Population-B ased Incremental Learning with ...
  • Mori, N., Kita, H., "Genetic Algorithms for adaptation to dynamic ...
  • Yang, S., "Explicit Memory scheme for Evo lut i _ ...
  • Yang, S., Yao, X., "Expremental study _ Populati on-Based Incremental ...
  • Cobb, H. G., Grefenstette J. J., "Genetic Algorithms for tracking ...
  • Grefenstette, J. J., "Genetic Algorithms for changing environments", Proc. _ ...
  • Yang, S., _ Memory-Based immigrants for genetic algorithms in Dynamic ...
  • Yang, S., ong, Y., Jin, Y., Evolutionary Computation in dynamic ...
  • Yang, S., "Associative menory scheme for Genetic Algorithms in Dynamic ...
  • Yang, S., "Population- Based Incremental Learning with memory scheme for ...
  • Optimization Problems - updated survey", 1999. ...
  • نمایش کامل مراجع