CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

An Improved Hybrid Genetic Algorithm using Particle Swarm Optimization

اعتبار موردنیاز: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۲۴۱۶ | نظرات: ۰
سرفصل ارائه مقاله: کامپیوتر / Computer
سال انتشار: ۱۳۸۶
کد COI مقاله: ICEE15_259
زبان مقاله: انگلیسی
حجم فایل: ۷۹۴.۱۲ کلیوبایت (فایل این مقاله در ۷ 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. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله An Improved Hybrid Genetic Algorithm using Particle Swarm Optimization

  Behrouz Shahgholi Ghahfarokhi - Department of Computer Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran
  Mohammad Babaeizadeh - Department of Computer Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran
  Nasser Movahedinia - Department of Computer Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran

چکیده مقاله:

Generally, optimization is considered to be a complex problem which requires accurate and fast search methods. Due to slow convergence, traditional Genetic Algorithms (GA) are not eficient enough to solve this problem. Hence, a lot of efforts have been carried out to improve GA performance in terms of convergence rate and accuracy. Similar to Genetic Algorithm, Particle Swarm Optimization (PSO) is an evolutionary computational model which is based on swarm intelligence. Although Particle Swarm Optimization provides faster convergence, however it does not perform well due to the early convergence an d local maxima problem. Moreover, the tradeoff between fast convergence and optimum exploration is unavoidable. In this paper, we propose a new genetic algorithm method using Particle Swarm Optimization of individuals. In this method, all individuals of the so called common population will be promoted via Particle Swarm Optimization, before genetic operations have been accomplished. The experimental results have shown better convergence rate, more stability in dzfferent runs, and also better exploration
accuracy compared to the pure search methods.

کلیدواژه‌ها:

Search Strategies, Genetic Algorithms, Particle Swarm Optimization, Convergence Rate, Exploration Accuracy

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-ICEE15-ICEE15_259.html
کد COI مقاله: ICEE15_259

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:
Shahgholi Ghahfarokhi, Behrouz; Mohammad Babaeizadeh & Nasser Movahedinia, ۱۳۸۶, An Improved Hybrid Genetic Algorithm using Particle Swarm Optimization, پانزدهیمن کنفرانس مهندسی برق ایران, تهران, مرکز تحقیقات مخابرات ایران, https://www.civilica.com/Paper-ICEE15-ICEE15_259.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: (Shahgholi Ghahfarokhi, Behrouz; Mohammad Babaeizadeh & Nasser Movahedinia, ۱۳۸۶)
برای بار دوم به بعد: (Shahgholi Ghahfarokhi; Babaeizadeh & Movahedinia, ۱۳۸۶)
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 :

  • T. Back and H.-P. Schwefel, ،An Overview of Evolutionary Algoritms ...
  • J.H. Holland, 4Adaptation in Natural and Artificial Systems, The University ...
  • L. Pagie, M. Mitchell 3A Comparison of Evolutionary and Co ...
  • C. Grossan, et.al., ،search Optimization Using Hybrid Particle subswarms And ...
  • R. Poli, et. al., *Extending Particle Swarm Optimization via Genetic ...
  • R.C. Eberhart, and J. Kennedy, ،A new optimizer using particle ...
  • swarm Particleء، J. Kennedy, and R.C. Eberhart, _ ptimization., ?" ...
  • M. Clerc and J. Kennedy., _ particle swarm- explosion, stability, ...
  • E. Ozcan and C. K. Mohan, 00Particle sWarm optimization: surfing ...
  • C. Grosan, et. al., 4Hybrid Particle Swarm- Evolutionary Algorithm for ...
  • J. Robinson, S. Sinton, R.S. Yahya, ،*Particle SWam, genetic algorithm, ...
  • Grosan C., 2004, *Solving geometrical place problems by using Evolutionary ...
  • s. s. Fan, et. al., 6A genetic algorithm and a ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۱۵۳۱۱
    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 پیشنهادی مرتبط

    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.