دانلود مقاله ISI انگلیسی شماره 78790
عنوان فارسی مقاله

الگوریتم تکاملی چند هدفه خود تطبیقی مبتنی بر تجزیه مشکلات در مقیاس بزرگ: مطالعه موردی در مطالعه موردی در عملیات کنترل سیل مخزن

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
78790 2016 21 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Self-adaptive multi-objective evolutionary algorithm based on decomposition for large-scale problems: A case study on reservoir flood control operation
منبع

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

Journal : Information Sciences, Volumes 367–368, 1 November 2016, Pages 529–549

کلمات کلیدی
مشکل بهینه سازی چند هدفه در مقیاس بزرگ؛ انتخاب اپراتور ژنتیکی؛ انتخاب اندازه محله؛ عملیات کنترل سیل مخزن
پیش نمایش مقاله
پیش نمایش مقاله الگوریتم تکاملی چند هدفه خود تطبیقی مبتنی بر تجزیه مشکلات در مقیاس بزرگ: مطالعه موردی در مطالعه موردی در عملیات کنترل سیل مخزن

چکیده انگلیسی

Large-scale multi-objective optimization problems (LS-MOP) are complex problems with a large number of decision variables. Due to its high-dimensional decision space, LS-MOP poses a significant challenge to multi-objective optimization methods including multi-objective evolutionary algorithms (MOEAs). Following the algorithmic framework of multi-objective evolutionary algorithm based on decomposition (MOEA/D), an enhanced algorithm with adaptive neighborhood size and genetic operator selection, named self-adaptive MOEA/D (SaMOEA/D), is developed for solving LS-MOP in this work. Learning from the search history, each scalar optimization subproblem in SaMOEA/D varies its neighborhood size and selects a genetic operator adaptively. The former determines the size of the search scope, while the latter determines the search behavior and as a result the newly generated solution. Experimental results on 20 LS-MOP benchmarks have demonstrated that SaMOEA/D outperforms or performs similarly to the other four state-of-the-art MOEAs. The effectiveness of the self-adaptive strategies has also been experimentally verified. Furthermore, SaMOEA/D and the comparing algorithms are then applied to solve a challenging real-world problem, the multi-objective reservoir flood control operation problem. Optimization results illustrate the superiority of SaMOEA/D.

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