اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديداقتراح خوارزمية تطورية هجينة لحل مسائل الأمثلة المتعددة الأهداف
New Hybrid Evolutionary Algorithm for Solving Multi-Objective Optimization Problems
2197
1 57
0
(
0
)
تأليف
ماهر سلامة( باحث )
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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.
مراجعة الذكاء الصنعي:
ملخص البحث
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.
قراءة نقدية
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.
أسئلة حول البحث
-
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.
المراجع المستخدمة
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
قيم البحث
اقرأ أيضاً
يعد إيجاد الحلول الأمثلية لمسألة البائع المتجول أمرًا مطلوباً في كثير من الأبحاث و التطبيقات العملية على اعتبار وجود مجموعة من الأهداف في وقت واحد.
نقدم في هذا البحث خوارزمية هجينة لحل مسألة البائع من خلال دمج خوارزمية مستعمرة النمل مع الخوارزمية الجينية.
تم في نشرة سابقة تركيب خوارزمية استمرارية تنبؤية تصحيحية يمكنها حل مسائل أمثلة
مقيدة. كان التأليف بين توابع جزائية ناعمة مع استمرارية عددية، إضافة إلى وجوب استعمال منظومة
النشر اللاغرانجية من المركبات الأساسية في الخوارمية. و قد ظهر تحسين لهذه الخو
ارزمية في النشرة، حيث تم تناول الجزء التصحيحي من الخوارزمية بوساطة الجبر الخطي.
إن خوارزميات التدرج المترافق هامة لحل مسائل الأمثليات غـير المقيدة، لذلك نقدم في هذا البحث خوارزمية تدرج مترافق تعتمد على تحسين معامل الترافق الذي يحقق شرط الانحدار الكافي و التقارب الشامل و ذلك بإجراء تهجين بين معاملي الترافق [1] و [2] . تظهـــــ
ر النتائج العددية فعالية الخوارزمية المقترحة بعد تطبيقها على عدة مسائل قياسية و مقارنتها مع خوارزميات تدرج مترافق أخرى من حيث عدد التكرارات و قيمة الدالة و نظيم شعاع التدرج.
ندرس في هذا البحث إمكانية المساهمة في حل مسألة توجيه المركبة مع نوافذ زمنية متعددة الأهداف ، و هي واحدة من مشاكل الأمثلية من النوع NP-hard,
حيث أخذت كثيرًا من اهتمام الباحثين في الوقت الحاضر بسبب تطبيقاتها المتعددة ذات
الطابع اليومي .
و سنقدم أيضا
ً خوارزمية تدعى بالهجينة تعتمد على مبدأ التكامل بين خوارزمية مستعمرة
النمل متعددة الأهداف و خوارزمية البحث المحظور ، و المستندة على أمثلية باريتو و
مقارنة الحل الناتج عن هذا النهج الهجين المطور و المستند على أمثلية باريتو مع نتائج
تجارب قياسية لاختبار فعالية هذه الخوارزمية المقدمة.
في هذا البحث نعرض طريقة تفاعلية جديدة لحل مسائل البرمجة الخطية متعددة الأهداف, تعتمد هذه الطريقة على تشكيل نموذج تخفيض الانحرافات النسبية لدوال الأهداف عن قيمها المعيارية, و معالجة انحرافات دوال الأهداف غير المرضية بالتفاعل مع متخذ القرار.
و تم مقار
نة النتائج التي حصلنا عليها مع عدة طرائق تفاعلية و منها ( طريقة STEM [6]– طريقة STEM المحسنة[7] – طريقة Matejas – peric [8]) حيث أثبتت النتائج العددية فعالية الطريقة المقترحة مقارنة مع النتائج التي حصلنا عليها باستخدام تلك الطرائق عند نقطة الحل الابتدائي و مختلف نقاط التفاعل مع متخذ القرار.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
