الگوریتم بهینه سازی کلونی مورچه برای زمانبندی مسئله
ترجمه نشده

الگوریتم بهینه سازی کلونی مورچه برای زمانبندی مسئله

عنوان فارسی مقاله: یک الگوریتم بهینه سازی کلونی مورچه بهبود یافته مبتنی بر استراتژی های ترکیبی برای زمانبندی مسئله
عنوان انگلیسی مقاله: An Improved Ant Colony Optimization Algorithm Based on Hybrid Strategies for Scheduling Problem
مجله/کنفرانس: IEEE Access
رشته های تحصیلی مرتبط: کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم ها و محاسبات، مهندسی نرم افزار
کلمات کلیدی فارسی: مکانیسم تکامل توام، بهینه سازی کلونی مورچه، استراتژی به روز رسانی فرومون، مکانیسم انتشار فرومون، استراتژی ترکیبی، مسأله ی تخصیص
کلمات کلیدی انگلیسی: Co-evolution mechanism، ACO، pheromone updating strategy، pheromone diffusion mechanism، hybrid strategy، assignment problem
نمایه: JCR - Master Journal List - DOAJ - Scopus
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2019.2897580
دانشگاه: College of Electronic Information and Automation, Civil Aviation University of China, Tianjin 300300, China
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 4/641 در سال 2018
شاخص H_index: 56 در سال 2019
شاخص SJR: 0/609 در سال 2018
شناسه ISSN: 2169-3536
شاخص Quartile (چارک): Q2 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 12
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E13122
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


I- Introduction


II- Related Work


III- The ACO Algorithm


IV- A New Multi-Population Co-Evolution Ant Colony Optimization(ICMPACO) Algorithm


V- Application of the ICMPACO Algorithm for Solving TSP


VI- APPLICATION OF THE ICMPACO ALGORITHM FOR SOLVING GATE ASSIGNMENT PROBLEM


VII- CONCLUSION AND FUTURE WORK


References

نمونه متن انگلیسی مقاله

Abstract


In this paper, an improved ant colony optimization (ICMPACO) algorithm based on the multi-population strategy, co-evolution mechanism, pheromone updating strategy, and pheromone diffusion mechanism is proposed to balance the convergence speed and solution diversity, and improve the optimization performance in solving the large-scale optimization problem. In the proposed ICMPACO algorithm, the optimization problem is divided into several sub-problems and the ants in the population are divided into elite ants and common ants in order to improve the convergence rate, and avoid to fall into the local optimum value. The pheromone updating strategy is used to improve optimization ability. The pheromone diffusion mechanism is used to make the pheromone released by ants at a certain point, which gradually affects a certain range of adjacent regions. The co-evolution mechanism is used to interchange information among different sub-populations in order to implement information sharing. In order to verify the optimization performance of the ICMPACO algorithm, the traveling salesmen problem (TSP) and the actual gate assignment problem are selected here. The experiment results show that the proposed ICMPACO algorithm can effectively obtain the best optimization value in solving TSP and effectively solve the gate assignment problem, obtain better assignment result, and it takes on better optimization ability and stability.


INTRODUCTION


Ant colony optimization (ACO) algorithm was proposed by Dorigo in 1992 [1]. It is a heuristic evolutionary algorithm based on population, which is inspired by the research results of the collective behavior of the real ants in nature. It has been proved that the ACO algorithm takes on a better optimization performance in solving optimization problems. The ACO algorithm relies on the activities of many individualities and feedback of information. Although the activity of ant is very simple, the activity of whole ant colony is acceptable. The ACO algorithm has the characteristics of distributed computing, positive feedback and heuristic search. In essence, it is a heuristic global optimization algorithm in the evolutionary algorithm [2]–[11]. In process of the evolution, the information interaction based on pheromone plays a very important role. Due to the advantages of the ACO algorithm, it is widely applied in solving combinatorial optimization problems, such as the traveling salesman problem, assignment problem, job-shop scheduling problem, vehicle routing problem, graph coloring problem and network routing problem and so on [12]–[25]. A lot of experts have devoted themselves to the research of the ACO algorithm, and some improved ACO algorithms are proposed to solve the complex optimization problems.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

الگوریتم بهینه سازی کلونی مورچه برای زمانبندی مسئله
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها