بهبود الگوریتم کرم شب تاب با استفاده از چند روش تطبیقی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,926

فایل این مقاله در 15 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

FBFI01_092

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

برای حل مسائل بهینه سازی ،الگوریتم های تکاملی به صورت گسترده ای مورد استفاده قرار می گیرد.این الگوریتم ها برگرفته از رفتار موجودات در طبیعت است.یکی از جدیدترین الگوریتم های تکاملی ،الگوریتم کرم شب تاب می باشد .این الگوریتم برگرفته از رفتار کرم شب تاب در طبیعت بوده و شامل مزایایی نظیر کد نویسی آسان می باشد.ضمن این که در این الگوریتم ،از نقطه بهینه سراسری استفاده نمی شود و این می تواند از همگرایی زودرس شبیه آنچه در الگوریتم بهینه سازی انبوه ذرات اتفاق می افتد جلوگیری به عمل آورد .از جمله معایب این الگوریتم ، قابلیت اکتشاف پایین ،به دلیل این که، کرم شب تاب همیشه در یک جهت در حرکت است می باشد. در این تحقیق در ابتدا جهت ایجاد تنوع در جمعیت تکنیکی ارائه شده است و در ادامه برای ایجاد تعادل بین اکتشاف و استخراج پارامترهای مورد استفاده در این الگوریتم با استفاده از الگوریتم گرادیان نزولی به صورت تطبیقی انتخاب شده است.الگوریتم پیشنهادی روی چند تابع محک تست شده است .مقایسه نتایج نشان می دهد که الگوریتم پیشنهادی نسبت به نسخه های قبل از آن ،دقت بالاتری دارد.

کلیدواژه ها:

نویسندگان

یاسر منیری

کارشناس ارشد هوش مصنوعی، دانشکده فنی مهندسی- دانشگاه آزاد اسلامی مشهد- مشهد- ایران

گلاره ویسی

استادیار، دانشکده فنی مهندسی- دانشگاه آزاد اسلامی مشهد - مشهد- ایران

سید جواد مهدوی چابک

استادیار، دانشکده فنی مهندسی- دانشگاه آزاد اسلامی مشهد - مشهد- ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • س.جوهری. (1392). بهبود الگوری‌تم کرم شب تاب مبتنی بر تئوری ...
  • Abdullah, A., Deris, S. Mohamad, M. S., & Hashim, S. ...
  • Bidar, M., & Rashidy Kanan, H. (2013). Modified firefly algorithm ...
  • Boyd, S., Xiao, L, & Mutapcic, A. (2003). Subgradient methods. ...
  • Dorigo, M., & DiCaro, G. (1999). The Ant Colony Optimization ...
  • dos Santos Coelho, L, , de Andrade Bernert, D. _ ...
  • Farahani, S. M., Abshouri, A. A., Nasiri, B., & Meybodi, ...
  • Fister, I., Fister Jr, I., & Zumer, J. B. (2012). ...
  • Gandomi, A., Yang, X.-S., Talatahari, S., & Alavi, A. (2013). ...
  • Gupta, D., & Gupta, M. (2014). Evaluation of a new ...
  • Hestenes, M. R., & Stiefel, E. (1952). Methods of conjugate ...
  • Jeklene, O. (2011). Optimization of the quality _ continuously cast ...
  • Karaboga, D., & Basturk, B. (2007). A powerful and efficient ...
  • Liu, C., Tian, Y., Zhang, Q., Yuan, J., & Xue, ...
  • Luthra, J., & Pal, S. K. (2011). A hybrid firefly ...
  • Storn, R., & Price, K. (1997). Differential evolution-a simple and ...
  • Yang, X.-S. (2009). Firefly algorithms for multimoda optimization Stochastic algorithms: ...
  • Yang, X.-S. (2010a). Engineering optimization: _ introduction with metaheuristic applications: ...
  • Yang, X.-S. (2010b). Nature -inspired metaheuristic algorithms: Luniver press. ...
  • Yang, X.-S., & Deb, S. (2009). Cuckoo search via Levy ...
  • Yang, X.-S., Sadat Hosseini, S. S., & Gandomi, A. H. ...
  • نمایش کامل مراجع