الگوریتم تکامل دیفرانسیل
ترجمه نشده

الگوریتم تکامل دیفرانسیل

عنوان فارسی مقاله: القاء مجاور و پراکندگی جمعیت در الگوریتم تکامل دیفرانسیل
عنوان انگلیسی مقاله: Neighbor-Induction and Population-Dispersion in Differential Evolution Algorithm
مجله/کنفرانس: دسترسی – IEEE Access
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم و محاسبات
کلمات کلیدی فارسی: عامل القا شده مجاور، استراتژی پراکندگی، الگوریتم کریل گله، الگوریتم تکامل دیفرانسیل، بهینه سازی جهانی
کلمات کلیدی انگلیسی: Neighbor-induced operator, dispersion strategy, krill herd algorithm, differential evolution algorithm, global optimization
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2019.2945831
دانشگاه: School of Civil Engineering, Central South University, Changsha 410075, 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: 21
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: E13849
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


I. Introduction


II. Related Work


III. Proposed Neighbor-Induced DE With Dispersion Strategy


IV. Experimental Evaluation


V. Conclusion


Authors


Figures


References

نمونه متن انگلیسی مقاله

Abstract


The differential evolution (DE) optimization algorithm predominantly relies on elite individuals and random difference to direct evolution. Although the strategy is clear and easy to implement, identifying a suitable direction for the DE mutation strongly depends on the direction information provided beforehand. To address this, we present a neighbor-induced mutation operator that simulates the neighbor-induced movement of Antarctic krill to guide the evolution direction in a natural manner. Additionally, center dispersion is proposed to disperse the population and redistribute individual positions to escape search stagnation, inspired by the spreading out of krill around newly discovered food. Comprising the new operator and the center dispersion pattern, this paper proposes a neighbor-induced DE algorithm with dispersion pattern (NDEd). The results of the comparative experiments verify the effectiveness of the neighbor-induced mutation operator and the dispersion pattern. Further, experimental results from 28 test functions of CEC2013 demonstrate that NDEd performs better compared to the other classic DE algorithms.


Introduction


In 1995, Storn and Price proposed the differential evolution (DE) algorithm [1], a practical, robust, and simple global optimization algorithm. Since then, DE and its variants have become some of the most competitive evolutionary computing algorithms. DE algorithms have been successfully applied in various scientific and engineering fields, such as mechanical engineering design [2], signal processing [3], chemical engineering [4], machine intelligence, and pattern recognition [5]. DE algorithms have exhibited outstanding performance when dealing with optimization problems. However, they have problems such as slow convergence speed and susceptibility to local optima [6]. Properly guiding the direction of evolution may be a key to solving these problems. For example, Cai and Wang [7] proposed a DE frame with neighborhood and direction information. However, the frame heavily depends on the selection of direction information. Although they combined an adaptive operator selection (AOS) from the available direction information with their algorithm in their subsequent research [8], selecting the most suitable type of direction information for the specific DE mutation strategy depends on the classification of the direction information given beforehand. Thus, it is difficult to implement automatic selection of the most suitable direction information in practice.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

الگوریتم تکامل دیفرانسیل
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها