عنوان فارسی |
یک الگوریتم بهینه سازی بهبود یافته مبتنی بر یادگیری – آموزش برای حل مسائل بهینه سازی بدون محدودیت |
عنوان انگلیسی |
An improved teaching-learning-based optimization algorithm for solving unconstrained optimization problems |
کلمات کلیدی |
الگوریتم های تکاملی؛ الگوریتم های مبتنی بر هوش جمعی؛ بهینه سازی بهبود یافته مبتنی بر یادگیری – آموزش؛ توابع معیار بدون محدودیت |
درسهای مرتبط |
الگوریتم های بهینه سازی |
تعداد صفحات انگلیسی : 11 | نشریه : ELSEVIER |
سال انتشار : 2013 | تعداد رفرنس مقاله : 40 |
فرمت مقاله انگلیسی : PDF | نوع مقاله : ISI |
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 : Scientia Iranica |
ترجمه: ندارد | گزارشکار : ندارد | شبیه سازی : دارد (فایل های شبیه سازی در 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.
الگوریتمهای بهینهسازی مبتنی بر آموزش (TLBO)، برای حل مسائل چند بعدی، خطی و غیرخطی با کارایی قابل ملاحظه ای، پدیده آموزش-یادگیری یک کلاس درس را شبیهسازی میکنند. در این مقاله، الگوریتم پایه TLBO به منظور افزایش ظرفیتهای اکتشافی و بهرهبرداری آن با توصیف مفهوم تعداد معلم، عامل تدریس تطبیقی، آموزش ناظر و یادگیری خودانگیزشی بهبود یافته است. عملکرد الگوریتم بهبود یافته TLBO با پیاده سازی آن بر روی طیف وسیعی از توابع معیار استاندارد بدون محدودیت با ویژگی های مختلف مورد ارزیابی قرار می گیرد. علاوه بر این، نتایج بهینهسازی بهدستآمده با استفاده از الگوریتم بهبودیافته TLBO با مقایسه آنها با نتایج بهدستآمده با استفاده از TLBO پایه و سایر الگوریتمهای بهینهسازی موجود در مقالات مورد اعتبارسنجی قرار می گیرند.
در بسیاری از کاربردهای علمی مسئله یافتن بهینه سراسری یک تابع با تعداد زیادی حداقل محلی، توجه فزاینده ای را به خود معطوف کرده است. در کاربردهای معمول، فضای جستجو بسیار گسترده و چند بعدی است. همچنین، بسیاری از این مسائل را نمی توان به صورت تحلیلی حل کرد و در نتیجه بایستی برای حل آنها از الگوریتم های عددی استفاده نمود. بعلاوه، در بسیاری از موارد، مسائل بهینه سازی سراسری غیر قابل تمایز هستند. بنابراین، روش های مبتنی بر شیب را نمی توان برای یافتن بهینه سراسری چنین مسائلی استفاده نمود. برای رفع این مسائل، چندین الگوریتم اکتشافی مدرن به منظور جستجوی راهحلهای تقریباً بهینه برای مسائل ایجاد شدهاند. این الگوریتمها را میتوان بسته به معیارهایی که در نظر گرفته میشوند، مانند مبتنی بر جمعیت، مبتنی بر تکرار، تصادفی، قطعی و غیره به گروههای مختلفی طبقهبندی نمود. بسته به ماهیت پدیده شبیهسازی شده توسط الگوریتمها، الگوریتمهای ابتکاری مبتنی بر جمعیت، دو گروه مهم یعنی الگوریتم های تکاملی (EA) و الگوریتم های مبتنی بر هوش ازدحامی/ گروهی وجود دارد.
این شبیه سازی در محیط نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تصویر مربوط به خروجی این شبیه سازی قرار داده شده است:
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.