مهندسی نرم افزار و آی تی
مقاله ترجمه شده رشته کامپیوتر و آی تی با عنوان الگوریتم های تکاملی برای بهینه سازی چند موردی عنوان انگلیسی : Evolutionary Algorithms for Multi Criterion Optimization : A Survey چکیده : این مقاله به بررسی برخی از الگوریتم های تکاملی معروف و مقایسه ی نظام مند آنها پرداخته است. سپس مسائل بهینه سازی و چند هدف را نشان داده و اهمیت آنها را بررسی می کنند. پس از آن بر روی الگوریتم های چند هدفه تمرکز کرده که در حال حاضر توسط بسیاری محققان انجام می شود و محاسن و معایب این الگوریتم تکاملی را بررسی کرده است (MDEAS) در نهایت روند آن در آینده و برخی از مسیر های ممکن تحقیقات را ارائه نموده است. کلیدواژه ها: الگوریتم های تکاملی بهینه های چند معیاری راه حل پارتو تحت سلطه و غیر تحت سلطه مقدمه : تکنیک های تکاملی به منظور بهینه سازی تک هدفه بیش از سه دهه است که مورد استفاده قرار می گیرد اما کشف کردن که مشکلات دنیای واقعی به طور طبیعی به صورت چند هدف می باشد. در حال حاضر بهینه سازی چند هدفه به یک موضوع بسیار محبوب بین محققین در آمده است. اما هنوز هم بسیاری از سوالات بی پاسخ در این حوزه وجود دارد. در واقع حتی یک مورد پذیرش بین المللی در رابطه با تعریف مطلوب از هدف بهینه سازی وجود ندارد, که باعث می شود حتی آن قابل مقایسه با روش های دیگر شود. چرا که به طور معمول تصمیم گیری در مورد آنچه که بهترین پاسخ را به اصطلاح انسان در تصمیم گیری دارد. از آنجایی که بهینه سازی چند معیار دارد و ممکن است این معیار ها با هم تفاضل داشته باشند معمولا برای ارائه راه حل برای آنها و ارائه یک معیار واحد مشکلاتی وجود دارد. اما در نهایت راه حل این مشکل معمولا با تنظیم پارامترهای مختلف توسط کاربر میسر است. علاوه بر این از آنجا که معمولا از روش های بهینه سازی کلاسیک استفاده می شود تنها یک راه حل (پارتو) می تواند به یک نتیجه نهایی برسد. بنابر این در جهت پیداکردن چند راه حل پارتو،الگوریتم های تکاملی بهترین انتخاب می باشد. این الگوریتم اجازه می دهد تا یک مجموعه مکمل از راه حل های پارتو در یک الگوریتم تعیین شود. علاوه بر این الگوریتم های تکاملی در روش پارتو از یک پیوستگی برخودار هستند. فهرست مطالب : چکیده : 2 کلید واژه : 3 1- مقدمه: 3 2-الگوریتم های تکاملی : 4 2-1 الگوریتم ژنتیکی : 5 2-3 برنامه نویسی تکاملی : 5 2-4 برنامه نویسی ژنتیکی: 6 3-الگوریتم های تکاملی چند هدفه : 7 مجموعه بهینه پارتو: 8 تفاوت بین مجموعه غیر سلطه ای و مجموعه بهینه پارتو: 8 4- روشهای مختلف MOEA : 9 4-1 روش مجموع وزنی : 10 الگوریتم : 10 1- تولید جمعیت اولیه به صورت تصادفی : 10 1- تابع تناسب برای هرفرد 11 مزایا و معایب : 11 مدل فونسکا و فیلیمینگ: 13 1-روش انتساب تناسب براسس رتبه 14 2-روش نیچ 14 مزایا و معایب: 14 4-4 مدل هورن ناف پولیتس و گولد برگز (NPGA): 14 تورنومنت سلطه پارتو: 15 5-4 : روش پارتو با مدل زیتزلر و تیل 16 رتبه بندی افراد بر اساس سطح غیر سلطه : 18 انتصاب تناسب : 18 1-محاسبه و اندازه گیری از راه دور بایکی از راه های غیر تحت سلطه 19 فرمول 19 4-7 استراتژی تکامل برداری (VOES): 20 4-8 الگوریتم ژنتیک براساس وزن(WBGA): 21 فرمول الگوریتم 22 روش برداریک 23 4-9 استراتژی تکامل شکار-طعمه(PPES): 23 4-10 الگوریتمژنتیکی ترمودینامیکال (TDGM): 24 4-11 استراتژی تکاملی پارتو(PAES): 25 4-12 الگوریتم تکاملی نخبه گرایی رودلف: 26 4-13 الگوریتم ژنتیکی نخبه گرایی غیر تحت سلطه(ENSGA) : 26 4-14 الگوریتم ژنتیک پارتو براساس فاصله (DBPGA) : 27
