skip to Main Content

یک الگوریتم پویای چند مستعمرهِ مصنوعیِ اجتماعِ زنبور برای بهینه سازی چند منظوره

عنوان انگلیسی: A dynamic multi-colony artificial bee colony algorithm for multi-objective optimization
سال نشر: ۲۰۱۵
نویسنده: Yi Xiang,Yuren Zhou
تعداد صفحه فارسی: ۱ – تعداد صفحه انگلیسی: ۲۰
دانشگاه: School of Data Science and Computer, Sun Yat-sen University, Guangzhou 510275, PR China b Collaborative Innovation Center of High Performance Computing, Sun Yat-sen University, Guangzhou 510275, PR China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

این مقاله یک الگوریتم پویای چند منظوره، چند مستعمره مجتمع زنبور عسل مصنوعی (DMCMOABC) را با استفاده از مدل multi-deme و راهبرد تعویض اطلاعات پویا پیشنهاد میکند. در این الگوریتم مطرح شده، اجتماع های k (K colonies ) بیشتر اوقات به طور غیر وابسته جستجو میکند و اطلاعات را گهگاه به اشتراک میگذارد. در هر اجتماع (colony, ) زنبورهای S شامل تعداد برابر از زنبورهای کارگرو زنبورهای ناظر وجود دارد. برای هر منبع غذا، زنبورهای کارگر و ناظر یک موقعیت موقت را کشف خواهند کرد که با استفاده از اطلاعات همسایه تولید شده است و مورد بهتری که توسط یک راهبرد انتخاب حریص تعیین شده، مرتبا تکرار می شود. آرشیو بیرونی برای ذخیره¬ی راه حل های غیر غالب به کار گرفته شده است که در حین فرآیند جستجو یافت شد و تنوع بیش از آرشیو انفرادی، توسط راهبرد ازدحام- فاصله (crowding-distance) حفظ شده است. اگر تعداد تولید تصادفی کوچکتر از نرخ مهاجرت Rباشد پس از آن نخبگان،که به عنوان افراد حد واسط با بیشترین مقدار ازدحام- فاصله تعریف می شوند؛ برای جایگزینی بدترین منبع غذا در یک انتخاب اجتماع تصادفی شناسایی و به کار برده می شود. DMC

Abstract

This paper suggests a dynamic multi-colony multi-objective artificial bee colony algorithm (DMCMOABC) by using the multi-deme model and a dynamic information exchange strategy. In the proposed algorithm, K colonies search independently most of the time and share information occasionally. In each colony, there are S bees containing equal number of employed bees and onlooker bees. For each food source, the employed or onlooker bee will explore a temporary position generated by using neighboring information, and the better one determined by a greedy selection strategy is kept for the next iterations. The external archive is employed to store non-dominated solutions found during the search process, and the diversity over the archived individuals is maintained by using crowding-distance strategy. If a randomly generated number is smaller than the migration rate R , then an elite, defined as the intermediate individual with the maximum crowding-distance value, is identified and used to
امتیاز شما:
(No Ratings Yet)
Back To Top