دانلود شبیه سازی مقاله بهینه سازی چندهدفه موثر با فرآیندهای گاوسی و الگوریتم ژنتیک

پروژه متلب بهینه سازی چندهدفه کارآمد

بسیاری از مسائل مهندسی مستلزم بهینه سازی توابع جعبه سیاه هستند که از هزینه بالایی برخوردار بوده و شامل چندین معیار متناقض و متضاد هستند همچنین، روش های متداول نظیر الگوریتم های ژنتیک چندهدفه، ناقص و نامناسب هستند. برای حل این مسئله، چندین الگوریتم با استفاده از رابطه جایگزینی طراحی شده است. با این وجود، این موارد اغلب دارای معایبی نظیر نیاز به دانش قبلی در زمینه توابع خروجی یا مقیاس نمایی هزینه محاسباتی با توجه به تعداد اهداف هستند. در این مطالعه یک الگوریتم جدید تحت عنوان TSEMO ارائه شده است که از فرآیندهای گاوسی به عنوان جایگزین استفاده می کند. همچنین، فرآیندهای گاوسی با بهره گیری از تکنیک‌های نمونه‌گیری طیفی برای استفاده از نمونه‌گیری تامپسون در رابطه با شاخص کیفیت ابرحجم و NSGA-II، جهت انتخاب یک نقطه ارزیابی جدید در هر تکرار، نمونه‌برداری می‌شوند. همچنین برای محاسبه ابرحجم در TSEMO، نقطه مرجع برآورد می شود. علاوه بر این، یک افزونه ساده برای انجام طراحیbatch-sequential  (دسته‌ای متوالی) نیز ارائه شده است. همچنین، TSEMO با ParEGO، یک اجرای فراحجم مورد انتظار و NSGA-II در نه مسئله آزمایشی با بودجه 150 ارزیابی تابع مورد مقایسه قرار گرفت. به طور کلی، TSEMO عملکرد امیدبخشی را نشان می‌دهد، به طور مثال: الگوریتم ساده‌ای را بدون نیاز به دانش قبلی ارائه می‌دهد، محاسبات فراحجم را برای نزدیک شدن به مقیاس‌بندی خطی با در نظر گرفتن تعداد اهداف، ظرفیت مدیریت نویز و در نهایت توانایی استفاده از batch-sequential  کاهش می‌دهد.

این مقاله مربوط به سال 2018 بوده و شبیه سازی آن در محیط نرم افزار متلب (MATLAB) انجام شده است و در ادامه نیز تصویر مربوط به خروجی شبیه سازی قرار داده شده است: