مقاله الگوریتم های تکاملی مبتنی بر تجزیه و توابع شاخص

خانه » مقالات آموزشی » مقاله الگوریتم های تکاملی مبتنی بر تجزیه و توابع شاخص

در دو دهه گذشته ، بهینه سازی چند هدفه به دلیل کاربرد گسترده در زمینه های مختلف از جمله مهندسی ، مدیریت سایر زمینه ها، از اهمیت بالایی برخوردار است. الگوریتم های چندهدفه تکاملی (MOEA) نقشی اصلی در حل مسائل با چندین توابع هدف متضاد را دارند. هدف آنها یافتن مجموعه ای از جواب های بهینه پارتو در یک اجرا است. MOEA های کلاسیک به طور کلی در سه گروه اصلی قرار دارند: MOEA های مبتنی بر تسلط پارتو ، MOEA های مبتنی بر شاخص و MOEA های مبتنی بر تجزیه. الگوریتم هایی که بر اساس تجزیه و توابع شاخص هستند ، توانایی جستجوی بالایی را در مقایسه با عملکرد الگوریتم های مبتنی بر تسلط پارتو نشان داده اند. این مقاله پیشرفته ترین MOEA ها را ارائه می دهد که از تجزیه و توابع شاخص به عنوان تکنیک های محاسبه تابع برازندگی همراه با سایر تکنیک های کارآمد از جمله مواردی که از اطلاعات مبتنی بر اولویت استفاده می کنند ، مانند بهینه سازهای جستجوی محلی ، روشهای جستجوی چند هدفه با رویکردهای فراابتکاری ، رویکردهای محدودیت ترکیب ، روش های نمونه گیری آماری ، ادغام مفاهیم تسلط فازی و بسیاری دیگر از تکنیک های پیشرفته برای حل مسائل بهینه سازی چند هدفه استفاده می شود.

عنوان لاتین مقاله به صورت زیر می باشد:

Evolutionary Algorithms Based on Decomposition and Indicator Functions: State-of-the-art Survey