الگوریتم ژنتیک سلولی برای بهینه سازی چندمنظوره
دانلود رایگان مقاله انگلیسی -الگوریتم ژنتیک سلولی
-Antonio J. Nebro
Departamento de Lenguajes y Ciencias de la Computación, E.T.S. Ingeniería Informática, Campus de Teatinos, 29071 Málaga, Spain
-Juan J. Durillo
Departamento de Lenguajes y Ciencias de la Computación, E.T.S. IngenieríaInformática, Campus de Teatinos, 29071 Málaga, Spain
-Francisco Luna
Departamento de Lenguajes y Ciencias de la Computación, E.T.S. Ingeniería Informática, Campus de Teatinos, 29071 Málaga, Spain
-Bernabé Dorronsoro
Departamento de Lenguajes y Ciencias de la Computación, E.T.S. Ingeniería Informática, Campus de Teatinos, 29071 Málaga, Spain
Enrique Alba Departamento de Lenguajes y Ciencias de la Computación, E.T.S. Ingeniería Informática, Campus de Teatinos, 29071 Málaga, Spain
مقدمه :
اکثر مسائل بهینه سازی در دنیای واقعی ، شامل حداقل سازی و یا حداکثر سازی بیش از یک تابع هستند . اگر کلی صحبت کنیم ، آن چه را که بهینه سازی چند منظوره محدود می کند یافتن یک راه حل واحد منحصر فرد برای یک مسئله بهینه سازی چند منظوره (MOP)معلوم نیست بلکه مجموعه راه حل هایی که راه حل های غیر غالب نامیده می شوند را با محدودیت مواجه می کند . به هر راه حل در این مجموعه بهینه پارتو گفته می شود و هنگامی که در فضای عینی طرح ریزی می شوند به طور مجموع به عنوان plato front شناخته می شوند . بدست آوردن جبهه پلاتوی یک مسئله بهینه سازی چند منظوره، هدف اصلی این نوع از بهینه سازی می باشد. در کل ، فضاهای جست و جویی که درMOP ها استفاده می شوند خیلی بزرگ هستند و با ارزیابی توابع مدت زمان بسیاری را طلب می کنند .
این ویژگی ها اعمال تکنیک های قطعی را مشکل می کنند و لذا تکنیک های اتفاقی به طور وسیعی در این حوزه پیشنهاد می شوند .
در بین آن ها بسیاری از محققان الگوریتم های ارزیابی (EA)را بررسی کرده اند و بعضی از الگوریتم هایی که برای حلMOP ها بسیار مشهورند به این کلاس تعلق دارند .
الگوریتم های ارزیابی به طور ویژه ای منطبق هستند تا از عهده ی MOP ها برآیند و علت آن توانایی آن ها در یافتن چندین راه حل جانشینی در یک اجرای واحد می باشد .
زیر دسته های الگوریتم های ارزیابی که به خوبی پذیرفته شده اند عبارتند از الگوریتم های ژنتیکی ، برنامه های ژنتیکی ، برنامه ریزی های ارزیابی و استراتژی های ارزیابی .
Abstract
This paper introduces a new cellular genetic algorithm for solving multiobjective continuous optimization problems. Our approach is characterized by using an external archive to store nondominated solutions and a feedback mechanism in which solutions from this archive randomly replace existing individuals in the population after each iteration. The result is a simple and elitist algorithm called MOCell. Our proposal has been evaluated with both constrained and unconstrained problems and compared against NSGA-II and SPEA2, two state-of-the-art evolutionary multiobjective optimizers. For the studied benchmark, our experiments indicate that MOCell obtains competitive results in terms of convergence and hypervolume, and it clearly outperforms the other two compared algorithms concerning the diversity of the solutions along the Pareto front.
© 2009 Wiley Periodicals, Inc.