view in publisher's site

The Effect of Initial Population Sampling on the Convergence of Multi-Objective Genetic Algorithms

This paper aims to demonstrate that the initial population plays an important role in the convergence of genetic algorithms independently from the algorithm and the problem. Using a well-distributed sampling increases the robustness and avoids premature convergence. The observation is proved using MOGA-II and NSGA-II with different sampling methods. This result is particularly important whenever the optimization involves time-consuming functions.

اثر نمونه‌برداری اولیه جمعیت بر هم‌گرایی الگوریتم های ژنتیکی چند هدفه

هدف این مقاله نشان دادن این مساله است که جمعیت اولیه نقش مهمی در هم‌گرایی الگوریتم های ژنتیکی مستقل از الگوریتم و مساله ایفا می‌کند. با استفاده از یک نمونه‌گیری توزیعی، مقاومت را افزایش داده و از هم‌گرایی زودرس جلوگیری می‌کند. این مشاهدات با استفاده از روش MOGA - II و nsga - II با روش‌های نمونه‌برداری مختلف اثبات شده‌است. این نتیجه خصوصا زمانی مهم است که بهینه‌سازی شامل عملکردهای وقت گیر باشد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.