view in publisher's site
- خانه
- لیست مقالات
- چکیده
Surrogate-assisted classification-collaboration differential evolution for expensive constrained optimization problems
Expensive Constrained Optimization Problems (ECOPs) widely exist in various scientific and industrial applications. Surrogate-Assisted Evolutionary Algorithms (SAEAs) have recently exhibited great ability in solving these expensive optimization problems. This paper proposes a Surrogate-Assisted Classification-Collaboration Differential Evolution (SACCDE) algorithm for ECOPs with inequality constraints. In SACCDE, the current population is classified into two subpopulations based on certain feasibility rules, and a classification-collaboration mutation operation is designed to generate multiple promising mutant solutions by not only using promising information in good solutions but also fully exploiting potential information hidden in bad solutions. Afterwards, the surrogate is utilized to identify the most promising offspring solution for accelerating the convergence speed. Furthermore, considering that the population diversity may decrease due to the excessive incorporation of greedy information brought by the classified solutions, a global search framework that can adaptively adjust the classification-collaboration mutation operation based on the iterative information is introduced for achieving an effective global search. Therefore, the proposed algorithm can strike a well balance between local and global search. The experimental results of SACCDE and other state-of-the-art algorithms demonstrate that the performance of SACCDE is highly competitive.
تکامل افتراقی دسته‌بندی - هم‌کاری به کمک جایگزین برای مسایل بهینه‌سازی محدود گران‌قیمت
مشکلات بهینه‌سازی پیچیده و پرهزینه به طور گسترده‌ای در کاربردهای مختلف علمی و صنعتی وجود دارند.
الگوریتم های تکاملی جایگزین شده (SAEAs)اخیرا توانایی زیادی در حل این مسایل بهینه‌سازی گران‌قیمت نشان داده‌اند.
این مقاله یک الگوریتم طبقه‌بندی مبتنی بر جانشینی - هم‌کاری تکامل تفاضلی (SACCDE)را برای اعضای جامعه اقتصادی با محدودیت‌های نابرابری پیشنهاد می‌کند.
در SACCDE، جمعیت فعلی براساس قوانین امکان‌سنجی خاص به دو زیر جمعیت طبقه‌بندی می‌شود، و یک عملیات جهش طبقه‌بندی - هم‌کاری برای تولید چندین راه‌حل جهش‌یافته امید بخش با نه تنها استفاده از اطلاعات امید بخش در راه‌حل‌های خوب، بلکه بهره‌برداری کامل از اطلاعات بالقوه پنهان در راه‌حل‌های بد، طراحی شده‌است.
پس از آن، جایگزین برای شناسایی مناسب‌ترین راه‌حل فرزند برای تسریع سرعت هم‌گرایی مورد استفاده قرار می‌گیرد.
علاوه بر این، با توجه به این که تنوع جمعیت ممکن است به دلیل ترکیب بیش از حد اطلاعات حریصانه راه‌حل‌های طبقه‌بندی‌شده کاهش یابد، یک چارچوب جستجوی جهانی که بتواند به طور تطبیقی عملیات طبقه‌بندی - هم‌کاری جهش را براساس اطلاعات تکراری برای دستیابی به یک جستجوی جهانی موثر تنظیم کند، معرفی شده‌است.
بنابراین، الگوریتم پیشنهادی می‌تواند تعادل خوبی بین جستجوی محلی و جستجوی سراسری برقرار کند.
نتایج تجربی SACCDE و دیگر الگوریتم های پیشرفته نشان می‌دهد که عملکرد SACCDE بسیار رقابتی است.
ترجمه شده با 
- مقاله Control and Systems Engineering
- ترجمه مقاله Control and Systems Engineering
- مقاله مهندسی کنترل و سیستم‌ها
- ترجمه مقاله مهندسی کنترل و سیستم‌ها
- مقاله Theoretical Computer Science
- ترجمه مقاله Theoretical Computer Science
- مقاله علوم کامپیوتر نظری
- ترجمه مقاله علوم کامپیوتر نظری
- مقاله Software
- ترجمه مقاله Software
- مقاله نرم‌افزار
- ترجمه مقاله نرم‌افزار
- مقاله Information Systems and Management
- ترجمه مقاله Information Systems and Management
- مقاله سیستم‌های اطلاعاتی و مدیریت
- ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
- مقاله Artificial Intelligence
- ترجمه مقاله Artificial Intelligence
- مقاله هوش مصنوعی
- ترجمه مقاله هوش مصنوعی
- مقاله Computer Science Applications
- ترجمه مقاله Computer Science Applications
- مقاله کاربردهای علوم کامپیوتر
- ترجمه مقاله کاربردهای علوم کامپیوتر
ترجمه کنید