دانلود ترجمه مقاله الگوریتم جستجوی تعاملی بیزین: یک هوش انبوه احتمالاتی

1. مقدمه 2. الگوریتم جستجوی تعاملی (ISA) 3. الگوریتم جستجوی تعاملی بیزین (BISA) 4. آزمون های عددی 5. بحث در مورد سازوکار بیزین پیشنهادی 6. نتیجه گیری

چکیده – الگوریتم های فراابتکاری روش های عام بهینه سازی هستند که در حل دسته های مختلف مسائل بهینه سازی عملکرد قابل چشمگیری نمایش می دهند. با این حال تجهیز سازوکارهای جستجوی تصادفی با راهبردهای منطقی کمکی باز هم قابلیت جستجوی آنها را افزایش می دهد. بر اساس این واقعیت، در این پژوهش عملکرد جستجوی الگوریتم جستجوی تعاملی به عنوان یک روش جستجوی فراابتکاری با افزودن یک راهبردی تنظیمی بایسیان برای تطبیق دادن رفتار جستجوی آن بهبود می یابد. در این خصوص الگوهای جستجوی روش الگوریتم جستجوی تعاملی یکی شده و برابر مفاهیم حافظه و یادگیری دسته بندی می شوند. سپس در طول فرآینده بهینه سازی، مدول بیزین توسعه داده شده به طور دینامیک نسبت رفتارهای جستجو و بکارگیری جستجو را با تنظیم تاثیر حافظه تنظیم می کند. روش جدید الگوریتم جستجوی تعاملی بیزین (BISA) نامیده میشود و عملکرد آن روی یک مجموعه تابع های ریاضی نامحدود و مسائل مهندسی محدود شده آزمایش می شود. نتایج به دست آمده نشان می دهد که الگوریتم جستجوی تعاملی بیزین پیشنهادی سرعت همگرایی را به طور قابل توجهی بیشتر می کند و پایداری فرآیند و دقت راه حل ها برای مسائل مهندسی و ریاضی را بهتر می کند. مقدمه: به طور کلی، الگوریتم های فراابتکاری روش های جستجوی مبتنی بر جمعیت و فارغ از گرادیان الهام گرفته از قواعد طبیعی یا پدیده های فیزیکی و/یا اجتماعی هستند [5-1]. این الگوریتم ها به تابع هدف پیوسته و اطلاعات گرادیانی آن برای تعیین جهت جستجو و اندازه گام نیازی ندارند. این ویژگی آنها را به روش های ساده ای برای حل مسائل پیچیده بهینه سازی تبدیل می کند که در آنها تعریف تابع های هدف پیوسته و قابل تفکیک بسیار دشوار (یا حتی ناممکن) است. در این زمینه در دهه های گذشته این روش ها به طور گسترده برای حل مسائل مختلف بهینه سازی و مهندسی بکار گرفته می شوند [18-6].

Metaheuristic algorithms are general optimization techniques that demonstrate remarkable performance in solving different classes of optimization problems. However, equipping their stochastic search mechanisms with auxiliary logical strategies can still increase their search capability. Based on this fact, in the current study, the search performance of the Interactive Search Algorithm (ISA), as a metaheuristic search method, is improved by adding a new Bayesian regulator strategy to adjust its search behavior. In this regard, the search patterns of the ISA method are unified and classified according to the memory and learning concepts. Subsequently, during the optimization process, the developed Bayesian module dynamically regulates the ratio of the exploration and exploitation search behaviors by tuning the effect of memory concept. The recent technique is named Bayesian Interactive Search Algorithm (BISA), and its search performance tested on a suite of unconstraint mathematical functions and constrained engineering problems. Acquired outcomes indicate that the proposed BISA considerably speeds up the convergence rate, and improves the stability of the process as well as the accuracy of the solutions, for both engineering and mathematical problems. Introduction: Generally, the metaheuristic algorithms are population-based and gradient-free search techniques inspired by the natural rules or physical and/or social phenomena [1-5]. They do not demand any continuous objective function and its gradient information to determine the search direction and step sizes. This feature makes them convenient techniques to solve complex optimization problems in which it is very difficult (or even impossible) to define the continuous and differentiable objective functions. On this subject, in the last decades, these methods are broadly employed to solve different mathematical and engineering optimization problems [6-18].

ترجمه این مقاله در 39 صفحه آماده شده و در ادامه نیز صفحه 28 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.