الگوریتم سریع مرتب سازی ژنتیکی غیر مغلوب برای بهینه سازی چندمنظوره
چکیده
الگوریتم های تکاملی چند منظوره ای که از اشتراک گذاری و مرتب سازی چند منظوره استفاده می کنند، عمدتا به خاطر
(i) پیچیدگی محاسبانی O(MN3)) که M شماره هدف و N اندازه جمعیت است) مورد انتقاد قرار گرفته اند.
(ii) رویکرد غیر نخبه گرایی
(iii) نیاز به تعیین پارامتراشتراک
در این مقاله، ما یک مرتب سازی غیرمغلوب براساس الگوریتم تکاملی چند منظوره ( به طور خلاصه مرتب سازی غیرمغلوب GA-II یا NSGA-II) را مطرح می کنیم که هر سه مشکل ذکرشده در بالا را برطرف می کند.به طور خاص، یک روش مرتب سازی سریع غیرمغلوب با پیچیدگی محاسباتی O(MN2) ارائه می گردد.ثانیا، انتخاب اپراتوری که یک استخرجفت گیری را با ترکیب جمعیت های والدین و فرزندان و انتخاب بهترین پاسخ از بین N پاسخ ( از لحاظ سازگاری و گستردگی) ایجاد می کند، ارائه می گردد. نتایج شبیه سازی روی پنج مسئله مشکل نشان می دهد که NSGA-II، در اکثر مسائل، قادر به پیداکردن پاسخ های بیشتری در مقایسه با PAES و SPEA- دو مورد از دیگر EA های چندمنظوره نخبه گرا که توجه خاصی به ایجاد جبهه متنوع بهینه پارتو (Pareto )دارد- همگرایی بهتری با جبهه بهینه پارتو واقعی دارد. به خاطر نیازهای کم محاسباتی NSGA-II، روش نخبه گرا و روش اشتراک بدون پارامتر، NSGA-II بکاربردهای بیشتری در سال های پیش رو خواهد داشت.
مقدمه
در طول دهۀ گذشته، تعدادی از الگوریتم های تکاملی چندمنظوره (MOEA ها) مطرح شده است. [8,3,5,11] . دلیل اصلی، قابلیت آنها برای پیدا کردن پاسخ های بهینه پارتو در یک اجرا می باشد. دلیل اصلی اینکه چرا مسائل یک فرمولاسیون چند منظوره دارد، آن است که داشتن یک پاسخ منحصر به فرد که همزمان، تمام اهداف را براورده کند ممکن نیست و به همین منظور الگوریتمی که تعداد زیادی پاسخ جایگزین را رو یا نزدیک جبهه بهینه پارتو قرار دهد، مقدار عملی بسیار خوبی دارد.
Abstract
Multi-objective evolutionary algorithms which use non-dominated sorting and sharing have been mainly criticized for their (i) 0{MN^) computational complexity (where M is the number of objectives and N is the population size), (ii) non-elitism approach, and (iii) the need for specifying a sharing parameter. In this paper, we suggest a non-dominated sorting based multi-objective evolutionary algorithm (we called it the Non-dominated Sorting GA-II or NSGA-II) which alleviates all the above three difficulties. Specifically, a fast non-dominated sorting approach with O(MN^) computational complexity is presented. Second, a selection operator is presented which creates a mating pool by combining the parent and child populations and selecting the best (with respect to fitness and spread) N solutions. Simulation results on five difficult test problems show that the proposed NSGA-II, in most problems, is able to find much better spread of solutions and better convergence near the true Pareto-optimal front compared to PAES and SPEA—two other elitist multi-objective EAs which pay special attention towards creating a diverse Pareto-optimal front. Because of NSGA-II's low computational requirements, elitist approach, and parameter-less sharing approach, NSGA-II should find increasing applications in the years to come.
1 Introduction
Over the past decade, a number of multi-objective evolutionary algorithms (MOEAs) have been suggested [8,3,5,11]. The primary reason for this is their ability to find multiple Pareto-optimal solutions in one single run. Since the principal reason why a problem has a multi-objective formulation is because it is not possible to have a single solution which simultaneously optimizes all objectives, an algorithm that gives a large number of alternative solutions lying on or near the Pareto-optimal front is of great practical value.
چکیده
مقدمه
پیچیدگی محساباتی بالا در مرتب سازی غیرمغلوب
فاقد نخبه گرایی
نیاز به تعیین پارامتر اشتراک(shareσ(
الگوریتم های نخبه گرای تکاملی چند منظوره
الگوریتم نخبه گرای مرتب سازی ژنتیکی غیر مغلوب (NSGA-II)
یک روش سریع مرتب سازی غیرمغلوب
برآورد تراکم
عملگر مقایسه ازدحام
حلقه اصلی
نتایج
نتیجه گیری
Abstract
1 Introduction
High computational complexity of non-dominated sorting:
Lack of elitism
Need for specifying the sharing parameter
2 Elitist Multi-Objective Evolutionary Algorithms
3 Elitist Non-dominated Sorting Genetic Algoritlim (NSGA-II)
3.1 A fast non-dominated sorting approach
3.2 Density estimation
3.3 Crowded comparison operator
3.4 The main loop
4 Results
5 Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه