رویکردی نوین برای حل مساله فروشنده دوره گرد با استفاده از موازی سازی الگوریتم های کیاتیکی ژنیتک، رقابت استعماری و شبیه سازی تبرید
Publish place: National Conference on Application of Intelligent Systems (soft computing) in Science and Technology
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,809
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AISST01_227
تاریخ نمایه سازی: 5 مرداد 1392
Abstract:
مساله فروشنده دوره گرد (TSP) جزء مساله های برتری است که بطور گسترده توسط ریاضیدانان و دانشمندان علوم مختلف مورد مطالعه قرار گرفته و یکی از مسادل مشهور بهینه سازی ترکیبی است. اساس آن به این صورت می باشد که یک فروشنده دوره گرد می خواهد به N شهر برود و کالای خود را به فروش برساند، به طوری که از هر شهر فقط یک بار عبور کند و از تمام شهرها گذشته باشد و در نهایت کمترین مسیر را طی کند. تا کنون الگوریتمی ارائه نشده که بتواند این مساله را در زمان چند جمله ای حل کند، در نتیجه این مساله از رده مسائل NP-Hard بوده و برای حل چنین مسائلی می توان با استفاده از الگوریتم متاهیوریستیک جوابهای نزدیک به بهینه را در زمان معقولی بدست آورد. در این مقاله یک روش جدید با استفاده از موازی سازی الگوریتم ژنتیک، رقابت استعماری و شبیه سازی تبرید بر اساس نگاشت آشوب برای حل مساله فروشنده دوره گرد پیشنهاد شده است. هدف از این مقاله بهبود در سرعت همگرایی به همراه دقیقتر شدن جستجو برای محاسبه بهینه سراسری می باشد. الگوریتم پیشنهادی با دیگر الگوریتم های ابتکاری MHPSO و CDPSO و DPSO و FRAG_GA و ICA و Memetic SOM و CO-Adaptive Net مقایسه شده است. نتایج آزمایشات بر روی 24 نمونه TSP از کتابخانه TSPLIB نشان میدهد که روش ارائه شده از عملکرد بهتری در مقایسه با دیگر الگوریتم های ابتکاری برخوردار است.
Keywords:
Authors
مرصاد شعبان پور
دانشجوی ارشد نرم افزار کامپیوتر دانشگاه آزاد اسلامی واحد مشهد
حسین دلداری
دانشیار گروه کامپیوتر، دانشگاه فردوسی مشهد
فرهاد رمضانی موزیرجی
دانشجوی دکتری هوض مصنوعی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :