این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
Iranian Journal of Numerical Analysis and Optimization، جلد ۷، شماره ۱، صفحات ۸۳-۰
عنوان فارسی رویکردی قابل اطمینان برای اختتام روش بهینه سازی الگوریتم ژنتیک
چکیده فارسی مقاله در دهه های اخیر، الگوریتم ژنتیک به شکل گسترده ای برای حل بسیاری از مسائل بهینه سازی در زمینه های مختلف علوم و مهندسی مورد استفاده قرار گرفته است. در اکثر موارد تعداد تکرارها تنها معیار برای متوقف کردن الگوریتم ژنتیک می باشد. ذر عمل، استفاده از این معیار موجب طولانی شدن زمان اجرای الگوریتم جهت رسیدن به نتیجه مطلوب می گردد. در این مقاله، رویکرد جدیدی با عنوان ”تعداد تقریبی تکرار های ضروری” ارائه شده است که می تواند موجب توقف موفقیت آمیز روش بهینه سازی الگوریتم ژنتیک در کمترین زمان ممکن شود. همچنین، دو رابطه کاربردی ساده جهت ارتباط پارامتر جدید با درجه آزادی تقریبی برای توابع هدف مورد نظر ارایه گردیده است. برای توابع هدف پیچیده تر می توان از یک برازشگر خطی مانند شبکه عصبی موسوم به رگولاریزاسیون جهت محاسبه مقدار تقریبی درجه آزادی مربوطه استفاده نمود. به منظور اعتبارسنجی موفق رویکرد مطرح شده از چهار مثال موردی مناسب استفاده گردیده است که در تمامی موارد روش پیشنهادی با استفاده از روابط مذکور قادر به یافتن نقطه بهینه مربوطه شده است. بدلیل سادگی و از آنجایی در رابطه خطی ارائه شده، محور افقی نشانگر مقدار تقریبی (نه دقیق) درجه آزادی می باشد، استفاده از آن ارجح تر به نظر می رسد. به وضوح می توان دید که شبکه عصبی رگولاریزاسیون می تواند با موفقیت خطای موجود در داده های واقعی را حذف نموده و سطح چند بعدی حقیقی را از میان مجموعه ای از داده های آغشته به خطا بازسازی نماید.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A Reliable Approach for Terminating the GA Optimization Method
چکیده انگلیسی مقاله Genetic algorithm (GA) has been extensively used in recent decades to solve many optimization problems in various fields of science and engineering. In most cases, the number of iterations is the only criterion which is used to stop the GA. In practice, this criterion will lead to prolong execution times to ensure proper solution. A novel approach is presented in this article as the approximate number of decisive iterations (ANDI ) which can be used to successfully terminate the GA optimization method with minimum execution time. Two simple correlations are presented which relate the new parameter (ANDI ) with approximate degrees of freedom (Adf ) of the merit function at hand. For complex merit functions, a linear smoother (such as Regularization network) can be used to estimate the required Adf. Four illustrative case studies are used to successfully validate the proposed approach by effectively finding the optimum point by using to the presented correlation. The linear correlation is more preferable because it is much simpler to use and the horizontal axis represents the approximate (not exact) degrees of freedom. It was also clearly shown that the Regularization Networks can successfully filter out the noise and mimic the true hyper-surface underlying a bunch of noisy data set.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله لیلا لطفی کتولی | leila lotfi katooli


اکبر شاهسوند | akbar shahsavand


نشانی اینترنتی http://ijnao.um.ac.ir/index.php/math/article/view/48652
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/458/article-458-388976.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده Articles
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات