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

عنوان فارسی

بهینه سازی چندهدفه موثر با استفاده از فرآیندهای گاوسی، نمونه برداری طیفی و الگوریتم ژنتیک

عنوان انگلیسی

Efficient multiobjective optimization employing Gaussian processes, spectral sampling and a genetic algorithm

کلمات کلیدی

بهینه سازی جهانی؛ حجم زیاد؛ کریجینگ؛ توابع گران از نظر ارزیابی؛ سطوح پاسخ؛ بهینه سازی بیزی

درسهای مرتبط

الگوریتم های بهینه سازی

تعداد صفحات انگلیسی : 33 نشریه : Springer
سال انتشار : 2018 تعداد رفرنس مقاله : 71
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
اشپرینگر
قیمت دانلود مقاله
68,000تومان
دانلود رایگان مقاله انگلیسی
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله
برنامه ای که در آن مقاله شبیه سازی شده است : این مقاله در محیط متلب پیاده سازی شده است نام مجله مقاله : Journal of Global Optimization (مجله بهینه سازی جهانی)
ترجمه: ندارد گزارشکار : ندارد شبیه سازی : دارد (فایل های شبیه سازی در نرم افزار متلب با فرمت .m)

این مقاله در محیط متلب به صورت کامل شبیه سازی شده و در صورت خرید و دانلود مقاله شما به راحتی قادر خواهید بود از برنامه مربوطه استفاده نمایید. در صورت بروز هر گونه مشکل در نحوه ی اجرای برنامه سایت سیگمالند به مدت 24 ساعت بعد از خرید محصول، پشتیبانی آن را تا اجرای کامل برعهده دارد.

توضیحات و مشاهده مقاله انگلیسی

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:

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود شبیه سازی مقاله بهینه سازی چندهدفه موثر با فرآیندهای گاوسی و الگوریتم ژنتیک”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

چهارده + چهارده =

آموزش برنامه نویسی

پشتیبانی

ارتباط با ما

  • شماره تماس : 09360147484
  • ایمیل : info@sigmaland.ir

نماد اعتماد الکترونیکی

لوگو طلایی

logo-samandehi
تمامی حقوق مادی و معنوی برای سایت سیگمالند محفوظ است.