دانلود مقاله ISI انگلیسی شماره 7750 + ترجمه فارسی
عنوان فارسی مقاله

تحقیقی پیرامون الگوریتم کلونی مورچه ژنتیک و کاربرد آن

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
7750 2012 6 صفحه PDF 10 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
The Research of Genetic Ant Colony Algorithm and Its Application
منبع

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

Journal : Procedia Engineering, Volume 37, 2012, Pages 101–106

فهرست مطالب ترجمه فارسی
چکیده
کلمات کلیدی
1.مقدمه
2.تعیین زمان ترکیب GA و ACO
شکل 1. فلوچارت الگوریتم کلونی مورچه ژنتیک
3.آزمون بهینه سازی الگوریتم کلونی مورچه ژنتیک
3.1توصیف مسائل کوله پشتی 0-1 (KPها)
3.2طراحی الگوریتم
3.3نتایج تجربی
جدول 1. مقایسه نتایج تجربی از سه الگوریتم
4.به کارگیری الگوریتم کلونی مورچه در QoS
4.1مدل ریاضی کیفیت خدمات رسانی (QoS)
4.2تحلیل نتایج تجربی این تحلیل
5.نتیجه گیری
کلمات کلیدی
- الگوریتم ژنتیک - بهینه سازی کلونی مورچه ها - مسئله بهینه سازی
ترجمه چکیده
در این مقاله از طریق انجام پژوهشی در خصوص الگوریتم ژنتیک سنتی و روش بهینه سازی کلونی مورچه ، روش الگوریتم مورچه ژنتیک پیشنهاد می شود. این الگوریتم در مرحله تعیین مقادیر اولیه توزیع فرمون، از نتایج الگوریتم ژنتیک استفاده می کند. الگوریتم ژنتیک با داشتن ویژگی سازگاری قدرتمند و سرعت بالا در همگرایی کلی مسئله، ابزار بسیار مفیدی در این مرحله است. پس از این مرحله، یافتن پاسخ بهینه از طریق الگوریتم کلونی انجام می گیرد که دارای ویژگی پردازش موازی، سیستم بازخورد مثبت، و بازدهی پاسخ مناسب است. نتایج این شبیه سازی به روش کوله پشتی 0-1 و کیفیت خدمت رسانی( QoS)، نشان می دهد که این الگوریتم از سرعت همگرایی بالاتر، پایداری، و قدرت بهینه سازی کلی بهتری برخوردار است.
ترجمه مقدمه
در دهه 1960 برای اولین بار پروفسور جان هولند از دانشگاه میشیگان در ایالات متحده الگوریتم ژنتیک (GA) را مطرح نمود. روش بهینه سازی کلونی مورچه (ACO) نیز اولین مرتبه از سوی پژوهشگر ایتالیایی، دریگو مطرح گردید. GA و ACO هردو از جمله الگوریتم های جستجوگر هستند که با الهام از شبیه سازی به شیوه تکامل گروهی بیولوژیکی ابداع شده اند، و در مقیاس گسترده ای در حل توابع مسائل بهینه سازی، برنامه ریزی وسایل نقلیه، پردازش تصویر و غیره کاربرد دارند. هر دو روش GA و ACO از جمله فرایندهای بهینه سازی بر مبنای تکرار هستند که این نوع فرایند بستری برای ترکیب این دو الگوریتم به حساب می آید. GA قابلیت همگرایی کلی با سرعت بالایی را دارد، اما سیستم اطلاعاتی بازخورد آن کمکی به حل مسئله نمی کند. لذا این روش تکرارهای مازاد بر نیاز زیادی را هنگامی که پاسخ مسئله به یک طیف مشخص می رسد، دربر خواهد داشت. بنابراین بهره وری این روش در رسیدن به پاسخ دقیق کاهش می یابد. ACO نیز از طریق تجمیع و به روز شدن فرمون اطلاعات به پاسخ بهینه همگرا خواهد شد. برای غلبه کردن بر نقاط ضعف هر دو الگوریتم، بر اساس مزایایی مکملی که هر این روش ها دارند، نوعی الگوریتم کلونی ژنتیک پیشنهاد می شود. ابتدا، از نتایج روش GA برای مرحله تولید و تعیین مقادیر اولیه توزیع فرمون در مسائل مربوط استفاده می شود. سپس بر اساس فرایند پردازش موازی و جستجوی کلی ACO به پاسخ بهینه نزدیک می رسیم. بنابراین با این کار، یک روش ابتکاری الگوریتم مورچه ژنتیک تشکیل می شود که علاوه بر داشتن بازدهی بالاتر از حیث زمانی، در رسیدن به پاسخ مسئله نیز از روش GA و ACO دقیق تر است.
پیش نمایش مقاله
پیش نمایش مقاله تحقیقی پیرامون الگوریتم کلونی مورچه ژنتیک و کاربرد آن

چکیده انگلیسی

This paper proposes genetic ant algorithm through the research of the traditional genetic algorithm and ant colony optimization. This algorithm use the results of the genetic algorithm to initialize the pheromone distribution,use its strong adaptability and rapid global convergence and then get the optimal solution through the colony algorithm that has parallelism, positive feedback system and good solution efficiency. The simulation results of 0-1 knapsack and QoS demonstrate that this algorithm has higher converging speed, stability and global optimization ability.

مقدمه انگلیسی

Genetic Algorithm (GA) is first proposed by professor John Holland from the United States University of Michigan in 1960s, and Ant Colony Optimization (ACO) is proposed by Italian scholar M.Dorigo etc. GA and ACO both are searching algorithm that is simulating biological group evolution,and they were used extensively in function optimization, vehicle scheduling, image processing . Both GA and ACO are iterative optimization process that is the foundation of the combination of these two algorithms. GA has the ability of rapid global convergence, but for the feedback information system it is helpless, it will do a lot of redundancy iteration when the solution get in a certain range, so it will reduce the efficiency of the exact solution. ACO will converge on the optimum solution through the accumulation and update of information pheromone.Because it has the ability of parallel processing and global searching. But due to the lack of early pheromone, the solution speed is low. In order to overcome the defects of the two algorithms, on the basis of complementary advantages to propose a kind of genetic ant colony algorithm. First, use the results of GA to initialize the pheromone distribution of the relevant issues. Then, according to the parallel processing and global searching of ACO to get the optimal solution. So form a heuristic method genetic ant algorithm that has higher efficiency of time and solution than ACO and GA

نتیجه گیری انگلیسی

Based on genetic ant colony algorithm, through the testing of 0-1 knapsack problems, the correctness and effectiveness of this algorithm was verified. Then this algorithm is applied to QoS. The experimental esults show that this algorithm can improve the calculation efficiency, has good stability, and can get the optimal solution of the problem

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