ارائه یک روش جدید تکاملی و مبتنی بر الگوریتم گردهافشانی گلها با استفاده از الگوریتم ژنتیک

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,756

This Paper With 17 Page And PDF and WORD 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICMRS02_230

تاریخ نمایه سازی: 5 بهمن 1395

Abstract:

الگوریتم های تکاملی از فرآیندهای طبیعت و زیستی که در طبیعت وجود دارند، الهام گرفته شده اند. روش های تکاملی و طبیعی طی ده ها میلیون سال توانسته اند بر مشکلات مختلفی غلبه نمایند. الگوریتم های تکاملی به عنوان یکی از روشهای موثر و کارآمد جهت حل مسائل بهینه سازی پیچیده استفاده می شوند. مسائل بهینه سازی به مسائلی گفته می شود که دارای راه حل های مختلفی از نظر میزان بهینه بودن می باشند. یافتن جوابهای کاملاً بهینه یک مسئله بهینه سازی دشوار یکی از چالش های انواع الگوریتم های جستجوی هوشمند محسوب می شود. تاکنون الگوریتم های تکاملی مختلفی برای یافتن را ه حل های بهینه یک مسئله بهینه سازی ارایه شده است. الهام از رشد گیاهان و گرده افشانی آنها یکی روش های جدید تکاملی جهت حل مسائل سخت و دشوار است که ایده اصلی الگوریتم تکاملی گرده افشانی گل ها بر این اساس ارایه شده است.در این پژوهش جهت بهبود دقت و همگرایی الگوریتم گرده افشانی گل ها از الگوریتم ژنتیک برای تنوع بخشی به جمعیت های شایسته استفاده شده تا تراکم جمعیت در اطراف جوابهای بهینه افزایش یابد.نتایج شبیه سازی و پیاده سازی ها نشان می دهد به طور کلی دقت روش پیشنهادی از الگوریتم تکاملی گرده افشانی گل ها بهتر است.در نهایت شواهد آزمایشات متعدد ما نشان می دهد که روش پیشنهادی نسبت به الگوریتم گرده افشانی گل دقت و کارایی و سرعت بهتری دارد.

Keywords:

Authors

ولی سرلک

مربی، دکتری مهندسی کامپیوتر سیستم های نرم افزاری، گروه کامپیوتر،دانشکده فنی مهندسی،دانشگاه آزاد اسلامی واحد نجف آباد اصفهان ایران

محمد گردان

کارشناسی ارشد مهندسی کامپیوتر ، گروه کامپیوتر، دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد بروجرد

میترا گودرزی

کارشناسی ارشد مهندسی فناوری اطلاعات ، گروه فناوری اطلاعات، دانشکده فنی و مهندسی، موسسه غیرانتفاعی نور طوبی 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 :
  • Yang, X. S. (2010). Engineering optimization: an introduction _ metaheuristic ...
  • Zhou, A., Qu, B. Y., Li, H., Zhao, S. Z., ...
  • Yang, X. S. (2012). Flower polliation algorithm for global optimization. ...
  • Goldberg, D. E., & Holland, H. (1988). Genetic algorithms and ...
  • Shi, X. H., Liang, Y. C., Lee, H. P., Lu, ...
  • Farahani, S. M., Abshouri, A A., Nasiri, B., & Meybodi, ...
  • Wang, G., & Guo, L. (2013). A novel hybrid bat ...
  • Neumiller, C., Wagner, S., Kronberger, G., & Affenzeller, M. (2012). ...
  • Elbeltagi, E., Hegazy, T., & Grierson, D. (2005). Comparison among ...
  • Gendreau, M. and Potvin, J.-Y., Handbook of metaheuristic, 2nd ed., ...
  • [7] Deb K., (2001). Multi-Objective optimization using evolutionary algorithms, John ...
  • Balling, R. (2003, January). The maximin fitnes function; multi-objective city ...
  • Madavan N. K., (2002). Multiobjective optimization using a pareto differential ...
  • Wang, G. G., Guo, L, Gandomi, A. H., Hao, G. ...
  • Huang, S. J., Gu, P. H., Su, W. F., Liu, ...
  • Alves, R. M., & Lopes, C. R. (2015, May). Using ...
  • Haupt, R. L., & Haupt, S. E. (2004). Practical genetic ...
  • Bahaabadi, M. R., Mohaymany, A. S., & Babaei, M. (2012). ...
  • http : //www.sfu .ca/ssu ria n o/opti mization. html ...
  • نمایش کامل مراجع