دانلود مقاله مهندسی کامپیوتر با ترجمه تخصصی فارسی با عنوان بهینهسازی کلونی مورچگان مبتنی بر شاخص برای مسئله کولهپشتی چند هدفه
عنوان انگلیسی مقاله:
Indicator Based Ant Colony Optimization for Multi-Objective Knapsack Problem
عنوان فارسی مقاله:
بهینهسازی کلونی مورچگان مبتنی بر شاخص برای مسئله کولهپشتی چند هدفه
چکیده مقاله به انگلیسی:
The use of metaheuristics to
solve multi-objective optimization problems (MOP) is a very active research
topic. Ant Colony Optimization (ACO) has received a growing interest in the
last years for such problems. Many algorithms have been proposed in the
literature to solve different MOP. This paper presents an indicator-based ant
colony optimization algorithm called IBACO for the multi-objective knapsack
problem (MOKP). The IBACO algorithm proposes a new idea that uses binary
quality indicators to guide the search of artificial ants. These indicators
were initially used by Zitzler and Kunzli in the selection process of their
evolutionary algorithm IBEA. In this paper, we use the indicator optimization
principle to reinforce the best solutions by rewarding pheromone trails. We
carry out a set of experiments on MOKP benchmark instances by applying the two
binary indicators: epsilon indicator and hypervolume indicator. The comparison
of the proposed algorithm with IBEA, ACO and other state-of-the-art
evolutionary algorithms shows that IBACO is significantly better on most
instances.
ترجمه رایگان چکیده مقاله:
استفاده از متاهیوریستیک (الگوریتمهای فرا ابتکاری) برای حل مسائل بهینهسازی چندهدفه (MOP) یک موضوع تحقیقاتی بسیار فعال است. بهینهسازی کلونی مورچگان (ACO) در سالهای گذشته اهمیت رو به رشدی برای اینگونه مسائل پیدا کرده است. الگوریتمهای بسیاری برای حل MOP های مختلف در ادبیات پیشنهاد شدهاند. این تحقیق یک الگوریتم بهینهسازی کلونی مورچگان مبتنی بر شاخص (شاخص محور) را که IBACO نامیده میشود برای مسئله کولهپشتی چند هدفه (MOKP) ارائه میدهد. الگوریتم IBACO ایده جدیدی را معرفی میکند که از شاخصهای کیفیت باینری برای هدایت جستجوی مورچههای مصنوعی استفاده میکند. این شاخصها در ابتدا توسط زیتسلِر[۱] و کانزلی[۲] در فرآیند انتخاب الگوریتم تکاملی IBEA خود مورداستفاده قرار گرفتند. در این مقاله، ما از اصل بهینهسازی شاخص برای تقویت بهترین راهحلها بهوسیله پاداش دادن به ردهای فرومون[۳] استفاده میکنیم. ما مجموعهای از آزمایشها را بر روی نمونههای محک (مرجع) MOKP با اعمال دو شاخص باینری: شاخص اپسیلون و شاخص hypervolumeانجام میدهیم. مقایسه الگوریتم پیشنهادی با IBEA، ACO و سایر الگوریتمهای تکاملی پیشرفته نشان میدهد که IBACO در اکثر موارد بهطور قابلتوجهی بهتر است.
"خرید ترجمه کامل مقاله از فروشگاه آمارد ترجمه"
Link: https://amardtarjome.com/news/دانلود-مقاله-مهندسی-کامپیوتر-با-ترجمه-تخصصی-فارسی-با-عنوان-بهینهسازی-کلونی-مورچگان-مبتنی-بر-شاخص-برای-مسئله-کولهپشتی-چند-هدفه5.html