دانلود مقاله ISI انگلیسی شماره 7409 + ترجمه فارسی
عنوان فارسی مقاله

کلونی زنبورعسل مصنوعی خود تطبیق برای بهینه سازی عددی جهانی

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
7409 2012 7 صفحه PDF 7 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Self Adaptive Artificial Bee Colony for Global Numerical Optimization
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : IERI Procedia, Volume 1, 2012, Pages 59–65

فهرست مطالب ترجمه فارسی
چکیده
کلمات کلیدی
1. مقدمه
2. ABC خودتطبیق
3. نتایج آزمایش
3.1 طرح آزمایش
3.2 مقایسۀ ABC خودتطبیق با ABC بنیانی وDE
3.3 مقایسۀ ABC خودتطبیق و الگوریتم ABC با الگوریتم های FEP و CEP
4. نتیجه گیری
کلمات کلیدی
کلنی زنبور عسل مصنوعی - خود انطباقی - بهینه سازی عددی جهانی - بهره برداری
ترجمه چکیده
الگوریتم ABC (کلونی زنبور عسل مصنوعی) در کاربردهای عملی بسیاری مورد استفاده بوده است و نرخ همگرایی خوبی نشان داده است. این الگوریتم بر طبق فرایند واریانس تصادفی راه حل (جواب) جدید را تولید می کند. در این فرایند، دامنه های اختلال حائز اهمیت است، چون می تواند بر راه حل جدید تأثیر بگذارد. در این مقاله، کلونی زنبورعسل مصنوعی خود تطبیق، موسوم به ABC خودتطبیق، را برای بهینه سازی عددی جهانی پیشنهاد می کنیم. به منظور ارتقاء نرخ همگرایی، در الگوریتم بنیانی ABC اختلال خودتطبیق جدیدی معرفی شده است. در بررسی کیفیت کار ABC خودتطبیق از تعداد 23 عملکردمعیار استفاده شده است. نتایج آزمایشی نشان می دهند که رویکرد ما مؤثر و کارآمد است. در مقایسه با سایر الگوریتم ها، عملکرد ABC خودتطبیق بهتر از الگوریتم ABC بنیانی و سایر رویکردهای نوآورانه در ادبیات، ویا حداقل قابل مقایسه با آنها، از لحاظ کیفیت راه حل، است.
ترجمه مقدمه
مسائل بهینه سازی نقش مهمی را در حوزه های کاربردی صنعتی و در دنیای تحقیقات علمی بازی می کنند. در طی دهۀ گذشته انواع مختلفی از الگوریتم های فرا-مکاشفه ای را دیده ایم که برای حل مسائل بهینه سازی اقدام کرده اند. در میان آنها، روشهای مبتنی بر فرا-مکاشفه، مانند تابکاری شبیه سازی شده (SA) ، الگوریتم ژنتیک (GA)، الگوریتم بهینه سازی ازدحام ذرات (PSO)، کلونی زنبور عسل مصنوعی (ABC)، و تکامل تفاضلی [4-1]، را می توان از جمله رایج ترین روشها به حساب آورد. خصوصاً اینکه الگوریتم کلونی زنبور عسل مصنوعی [5] یک الگوریتم مکاشفه ای تکاملی مبتنی بر جمعیت، ملهم از رفتار جستجوگری هوشمندانۀ فوج زنبوران عسل، است. اکی و کارابوگا [6] نسخه ای اصلاح شده از کلونی زنبورعسل مصنوعی پیشنهاد کردند. کلونی زنبورعسل مصنوعی اصلاح شده برای حل اثربخش مسئلۀ بهینه سازی پارامتر حقیقی به کار برده شد. در الگوریتم ABC اصلاح شده از پارامتر کنترلی استفاده شده است که تعیین می کند چه تعداد پارامتر باید اصلاح شوند تا بتوان یک راه حل نزدیک به دست آورد. عامل مقیاس بندی که اندازۀ مرحله را بطور تطبیقی تنظیم می کند، معرفی شد. اما این حوزۀ تحقیق هنوز در آغاز راه است، و به منظور تولید نسخۀ جدید الگوریتم ABC برایمسائلبهینه سازی، لازم است که در آینده تحقیقات بسیاری انجام شود. به علت اینکه ABC موردی خاص از EA است، بررسی چگونگی اعمال خودتطبیقی به آن جالب توجه است. از گزارشات موجود چنین برمی آید که تا کنون هیچ مقاله ای بر موضوع خودتطبیقی در ABC تمرکز نکرده است. در مقالۀ حاضر، تکنیک کنترل پارامتر مبتنی بر خودتطبیقی دامنه های اختلال توأم با فرایند تکاملی، ارائه شده است. هدف اصلی در اینجا تولید ABC انعطاف پذیر، از لحاظ پارامتر کنترل، است. ما ABC خودتطبیقی را پیشنهاد می کنیم که گونۀ پارامتر کنترل بر طبق تکرار تغییر می کند. پایین بودن مقدار پارامتر کنترل این امکان را فراهم می کند که جستجوی بهینه در گام کوتاه انجام شود. اما در این صورت همگرایی آهسته تر می شود. بالا بودن مقدار پارامتر کنترل سرعت جست وجو را بالا می برد، اما عملکرد بهره برداری در فرایند اختلال را کاهش می دهد. بنابراین، ما از این روش استفاده می کنیم که می تواند بین کاوش ABC و بهره برداری از آن تعادل برقرار کند.
پیش نمایش مقاله
پیش نمایش مقاله کلونی زنبورعسل مصنوعی خود تطبیق برای بهینه سازی عددی جهانی

چکیده انگلیسی

The ABC algorithm has been used in many practical cases and has demonstrated good convergence rate. It produces the new solution according to the stochastic variance process. In this process, the magnitudes of the perturbation are important since it can affect the new solution. In this paper, we propose a self adaptive artificial bee colony, called self adaptive ABC, for the global numerical optimization. A new self adaptive perturbation is introduced in the basic ABC algorithm, in order to improve the convergence rates. 23 benchmark functions are employed in verifying the performance of self adaptive ABC. Experimental results indicate our approach is effective and efficient. Compared with other algorithms, self adaptive ABC performs better than, or at least comparable to the basic ABC algorithm and other state-of-the-art approaches from literature when considering the quality of the solution obtained.

مقدمه انگلیسی

Optimization problems play an important role in both industrial application fields and the scientific research world. During the past decade, we have viewed different kinds of meta-heursitic algorithms advanced to handle optimization problems. Among them, Meta-heuristic based methods, such as simulated annealing (SA), genetic algorithm (GA), particle swarm optimization algorithm (PSO), artificial bee colony (ABC), and differential evolution [1-4], may be one of the most popular methods. Particularly, artificial bee colony algorithm [5] is a population-based heuristic evolutionary algorithm inspired by the intelligent foraging behavior of the honeybee swarm. B. Akay and D. Karaboga [6] proposed a modify versions of the artificial bee colony. The modified artificial bee colony applied for efficiently solving real parameter optimization problem. The modified ABC algorithm employs a control parameter that determines how many parameters to be modified for the production of a neighboring solution. A scaling factor that tunes the step size adaptively was introduced. However, this field of study is still in its early days, a large number of future researches are necessary in order to develop the new version artificial bee colony algorithm for optimization problems. Since ABC is a particular instance of EA, it is interesting to investigate how self adaptive can be applied to it. Until now, there is no paper to focus on self-adaptive in ABC has been reported. In our paper, the parameter control technique is based on the self adaptive of the magnitudes of the perturbation, associated with the evolutionary process. The main goal here produces a flexible ABC, in terms of control parameter. We propose a self adaptive ABC which the variant of control parameter is changed according to the iteration. The low value of control parameter allows the search to find the optimal search in small step. However, it makes the convergence slower. A high value of control parameter speed up the search but it reduces the exploitation capability of the perturbation process. Therefore, we use this method which can balance the exploration and the exploitation of ABC

نتیجه گیری انگلیسی

In this paper, we propose a self adaptive artificial bee colony, called self adaptive ABC. The proposed self adaptive method is an attempt to determine the values of control parameter ij . Our self adaptive ABC algorithm has been implemented and test on benchmark optimization problems taken from literature. 23 benchmark functions chosen from literature are employed. The results show that the proposed self adaptive ABC algorithm clearly outperforms the basic ABC. Compared with some evolution algorithms from literature, we find our algorithm is superior to or at least highly competitive with these algorithms. In this paper, we only consider the global optimization. The algorithm can be extended to solve other problem such as constrained optimization problems.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.