Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userNew Hybrid Evolutionary Algorithm for Solving Multi-Objective Optimization Problems
اقتراح خوارزمية تطورية هجينة لحل مسائل الأمثلة المتعددة الأهداف
2182
1 57
0
(
0
)
Authors
ماهر سلامة( باحث )
Created by
Shamra Editor
Ask ChatGPT about the research
تستخدم الخوارزميات التطورية المتعددة الأهداف على نطاق واسع من المجالات في سبيل حل مسائل الأمثلة, و التي تتطلب وجود عدة أهداف متعارضة يجب أخذها بعين الاعتبار معاً. تمتلك خوارزميات الأمثلة التطورية الأساسية عدة عيوب, مثل الافتقار إلى معيار جيد لإنهاء العمل, و عدم وجود براهين تثبت التقارب الجهد. غالباً ما تستخدم خوارزمية أمثلة تطورية هجينة متعددة الأهداف للتغلب على هذه العيوب.
Multi-objective evolutionary algorithms are used in a wide range of fields to solve the issues of optimization, which require several conflicting objectives to be considered together. Basic evolutionary algorithm algorithms have several drawbacks, such as lack of a good criterion for termination, and lack of evidence of good convergence. A multi-objective hybrid evolutionary algorithm is often used to overcome these defects.
Artificial intelligence review:
Research summary
تقدم هذه الورقة البحثية خوارزمية تطورية هجينة جديدة لحل مسائل الأمثلة المتعددة الأهداف (MOPs). تعتمد الخوارزمية المقترحة، المسماة NSCO، على دمج خوارزمية NSGAII الجينية مع خوارزمية مستعمرة النمل (ACO) لتحسين تقارب الحلول وتوزيعها على جبهة باريتو. تم اختبار الخوارزمية الجديدة على مجموعة من مسائل الاختبار القياسية (DTLZ) ومقارنتها مع خوارزميات أخرى مثل CMAES وGDE3 وNSGAII وSMPSO باستخدام معايير GD وIGD وSpacing. أظهرت النتائج أن خوارزمية NSCO تفوقت على الخوارزميات الأخرى في معظم المقارنات، حيث حققت أداءً أفضل بنسبة 69% في معيار GD و35% في معيار IGD و61.9% في معيار Spacing. خلصت الدراسة إلى أن الخوارزمية المقترحة تقدم حلولاً ذات جودة عالية وتوزيع جيد على جبهة باريتو، مما يجعلها مناسبة لحل مسائل الأمثلة المتعددة الأهداف التي تحتوي على قمم محلية وحلول موزعة بشكل غير منتظم.
Critical review
دراسة نقدية: تقدم الورقة البحثية خوارزمية مبتكرة ومفيدة في مجال الأمثلة المتعددة الأهداف، ولكن هناك بعض النقاط التي يمكن تحسينها. أولاً، يمكن توسيع نطاق الاختبارات لتشمل مسائل عملية حقيقية بدلاً من الاعتماد فقط على مسائل الاختبار القياسية. ثانياً، لم يتم التطرق بشكل كافٍ إلى تأثير زيادة عدد الأهداف على أداء الخوارزمية بشكل تفصيلي. ثالثاً، يمكن تحسين الورقة بإضافة تحليل أكثر تفصيلاً للنتائج وتوضيح الأسباب وراء تفوق الخوارزمية المقترحة على الخوارزميات الأخرى. أخيراً، يمكن تحسين الورقة بإجراء مقارنات مع خوارزميات هجينة أخرى غير مذكورة في الدراسة.
Questions related to the research
-
ما هي الخوارزمية المقترحة في هذه الورقة البحثية؟
الخوارزمية المقترحة هي خوارزمية تطورية هجينة تسمى NSCO، تعتمد على دمج خوارزمية NSGAII الجينية مع خوارزمية مستعمرة النمل (ACO).
-
ما هي المعايير التي استخدمت لتقييم أداء الخوارزمية المقترحة؟
تم تقييم أداء الخوارزمية المقترحة باستخدام ثلاثة معايير: GD (البعد بين الأجيال)، IGD (البعد بين الأجيال المعكوس)، وSpacing (التباعد).
-
كيف تفوقت الخوارزمية المقترحة على الخوارزميات الأخرى؟
تفوقت الخوارزمية المقترحة NSCO على الخوارزميات الأخرى بنسبة 69% في معيار GD، و35% في معيار IGD، و61.9% في معيار Spacing.
-
ما هي التوصيات المستقبلية التي قدمتها الورقة البحثية؟
قدمت الورقة عدة توصيات، منها تعديل الخوارزمية لحل مسائل الأمثلة المنفصلة، واقتراح خوارزميات جديدة، واستخدام الأفكار المقترحة في مسائل الأمثلة الوحيدة الهدف، وتطبيق الخوارزمية على مسائل عملية متعددة الأهداف.
References used
A. Abraham, L. Jain, and R. Gldenberg,2004. Evolutionary Multi- Objective optimization- theorical Advances and Applications, 1st ed
Coello Coello-C.A., Van Veldhuizen-D.A., Lamont-G.B.,2007. Evolutionary Algorithms for Solving Multi-Objective Problems, Springer
G. Ashish and S. Dehuri,2004. Evolutionary Algorithms for Multi- Criterion Optimization A Survey, International Journal of Computing and Information Sciences, vol. 2
rate research
Read More
In the Multi-objective Traveling Salesman Problem (moTSP)
simultaneous optimization of more than one objective functions is
required. This paper proposes hybrid algorithm to solve the multiobjectives
Traveling Salesman problem through the integration of
the ant colony optimization algorithm with the Genetic algorithm.
we constructed a continuation predictor- corrector algorithm that
solves constrained optimization problems. Smooth penalty functions combined
with numerical continuation, along with the use of the expanded Lagrangian
system, were essential compone
nts of the algorithm. An improvement of this
algorithm was published, which dealt with the linear algebra in the
corrector part of the algorithm.
Conjugate gradient algorithms are important for solving unconstrained optimization
problems, so that we present in this paper conjugate gradient algorithm depending on
improving conjugate coefficient achieving sufficient descent condition and globa
l
convergence by doing hybrid between the two conjugate coefficients [1] and
[2]. Numerical results show the efficiency of the suggested algorithm after its
application on several standard problems and comparing it with other conjugate gradient
algorithms according to number of iterations, function value and norm of gradient vector.
In this research, we are studying the possibility of contribution
in solving the multi-objective vehicle Routing problem with time
windows , that is one of the optimization problems of the NP-hard
type , This problem has attracted a lot of attenti
on now because of
its real life applications.
Moreover, We will also introduced an algorithm called hybrid
algorithm (HA) which depends on integrates between Multiple
objective ant colony optimisation (MOACO) and tabu search (TS)
algorithm based on the Pareto optimization , and compare the
presented approach is the developer with standard tests to
demonstrate the applicability and efficiency.
In this paper we offer a new interactive method for solving Multiobjective linear
programming problems. This method depends on forming the model for reducing the
relative deviations of objective functions from their ideal standard, and dealing with
the
unsatisfying deviations of objective functions by reacting with decision maker.
The results obtained from using this method were compared with many interactive
methods as (STEM Method[6] – Improvement STEM Method[7] – Matejas-peric
Method[8]). Numerical results indicate that the efficiency of purposed method comparing
with the obtained results by using that methods at initial solution point and the other
interactive points with decision maker.
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
