عنوان فارسی |
الگوریتم جستجوی آینده برای بهینه سازی |
عنوان انگلیسی |
Future search algorithm for optimization |
کلمات کلیدی |
الگوریتم جستجوی آینده (FSA)؛ توابع معیار؛ بهینه سازی محدود؛ الگوریتم های فراابتکاری |
درسهای مرتبط |
الگوریتم های بهینه سازی |
تعداد صفحات انگلیسی : 11 | نشریه : Springer |
سال انتشار : 2018 | تعداد رفرنس مقاله : 25 |
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 : Evolutionary Intelligence (هوش تکاملی) |
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.
این مقاله یک الگوریتم بهینهسازی جدید تحت عنوان الگوریتم جستجوی آینده (FSA) را ارائه می دهد. این الگوریتم، زندگی فرد را تقلید می کند. افراد در سراسر جهان به دنبال بهترین زندگی هستند. اگر فردی از زندگی خود رضایتمند نباشد، برای تغییر آن تلاش می کند و از افراد موفق تقلید می کند. با توجه به این رفتار، این الگوریتم توسط معادلات ریاضی طراحی شده است. FSA می تواند حروف اولیه تصادفی را به روزرسانی کند. همچنین، این الگوریتم از جستجوی محلی بین افراد و جستجوی سراسری بین افراد سرشناس در تاریخ برای دستیابی به بهترین راه حل ها استفاده می کند. الگوریتم پیشنهادی دارای پارامترهای تنظیم شده نیست و از پیچیدگی محاسباتی کم، همگرایی سریع و اجتناب از بهینه محلی بالایی برخوردار است. علاوه بر این، عملکرد الگوریتم پیشنهادی با استفاده از آن برای حل برخی از توابع تست معیار مورد ارزیابی قرار می گیرد. این توابع تست دارای ویژگی های مختلفی هستند که برای ارزیابی FSA ضروری است. علاوه بر این، عملکرد الگوریتم پیشنهادی با پنج روش شناخته شده دیگر نیز مورد مقایسه قرار گرفته است. نتایج بدست آمده کارایی و اثربخشی بهتر الگوریتم پیشنهادی را برای به دست آوردن پاسخ بهینه با تعداد تکرار کمتر نسبت به سایر روش ها اثبات می کنند.
این مقاله مربوط به سال 2018 بوده و شبیه سازی آن نیز در محیط نرم افزار متلب (MATLAB) انجام شده است.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.