CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Utilizing Self Organizing Maps to Enhance Pareto Front Discovery in Large Data Sets

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۷۳۴ | نظرات: ۰
سال انتشار: ۱۳۸۸
کد COI مقاله: ICCE08_012
زبان مقاله: انگلیسی
حجم فایل: ۲۶۸.۶ کیلوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Utilizing Self Organizing Maps to Enhance Pareto Front Discovery in Large Data Sets

  K. Nowruzi - Ph.D. Student, Shiraz University, Shiraz, Iran
  G.R. Rakhshandehroo - Associate Prof. Shiraz University, Shiraz, Iran
  P. Monadjemi - Assistant Prof. Shiraz University, Shiraz, Iran

چکیده مقاله:

Finding the Pareto front has become the goal of multiobjective optimization methods. Nondominated Sorting Algorithm (NSA) is mostly used by researchers to find the Pareto front. Although NSA has been used increasingly in recent years, one of its main drawbacks has been its omputational efficiency. The Algorithm’s computational cost has a cubic dependency to the number of individuals being searched for the Pareto front. For small data sets, the algorithm performs Pareto front discovery within a reasonable time. For larger data sets, however, the number of comparisons grow enormously, and hence, the time and effort that goes to Pareto front discovery increases very rapidly. In this paper, the topological ordering of Self Organizing Maps (SOM) was utilized to enhance nondominated sorting efficiency for Pareto Front discovery in large data sets. The method utilizes extracted clusters from application of SOM as a close approximation of the topology of the input data. Then, nondominated sorting is applied to the clusters which have a smaller population size. In other words, the proposed hybrid method eliminates the unnecessary comparison of individuals most likely to be a Pareto front member with individuals that are far from the front. As a case study, the method was applied to an inventory of about 7500 solutions of a benchmark water distribution optimization problem. Different population sizes were tried to demonstrate efficiency of the proposed method. It is verified that the method increased optimization efficiency considerably. Even in the data sets that were biased toward the Pareto front, the proposed method increased efficiency of nondominated sorting and reduced the computational effort by four folds.

کلیدواژه‌ها:

Pareto Front, Nondominated Sorting, Self Organizing Map, Water Distribution Networks, Optimization

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICCE08-ICCE08_012.html
کد COI مقاله: ICCE08_012

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Nowruzi, K.; G.R. Rakhshandehroo & P. Monadjemi, ۱۳۸۸, Utilizing Self Organizing Maps to Enhance Pareto Front Discovery in Large Data Sets, هشتمین کنگره بین المللی مهندسی عمران, شیراز, دانشگاه شیراز, https://www.civilica.com/Paper-ICCE08-ICCE08_012.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Nowruzi, K.; G.R. Rakhshandehroo & P. Monadjemi, ۱۳۸۸)
برای بار دوم به بعد: (Nowruzi; Rakhshandehroo & Monadjemi, ۱۳۸۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • $" International Congress on Civil Engineering, May 11-13, 2009, Shiraz ...
  • N. Srinivas and Kalymonoy Deb (1 995), ' 'Multi-obj ective ...
  • Raziyeh Farmani, Godfrey A.Walters, and Dragon A.Savic (2005), "'Trade off' ...
  • Sujay V.Kumar (2008), ' 'Optimal Design of Redundant Water Distribution ...
  • T. Devi Prasad and Nam-Sik Park (2004), ' _ Multio ...
  • BAI, Dan, YANG, Pei jun, and SONG, Li xun (2007), ...
  • T.M. Walasky (2001), "The wrong Paradigm - Why water distribution ...
  • K. Deb and S.Agrawal, A. Pratap (2002), "A fast and ...
  • Coello Coello, Carlos A. and Mezura Montes, Efron (2002), " ...
  • T. Kohonen (1990), "The Self Organizing map, ' proceeding of ...
  • Gavin J.Bowden, Graeme C. Dandy Holger R. Maier (2004), "'Input ...
  • E.P. Poogaard, A.E.Mynett, Md.S.Ali (2008), "self organizing feature maps for ...
  • L.S. Vamva keridou -Lyroudia, G.A.Walters, and D.A.Savic (2005), "Fuzzy Multiobj ...
  • R.Y. Rubinistein and D.P. Kroese (2004), ''The Cross entropy method: ...
  • L.A. Rossman (2000), ' 'EPANET 2 users manual, '" National ...
  • _ International Congress on Civil Engineering, May 11-13, 2009, Shiraz ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۵۲۲۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.