الگوریتم های بهینه سازی

تحقیق در مورد الگوریتم های بهینه سازی

در این صفحه می توانید لیستی از مقالات مربوط به الگوریتم های بهینه سازی و شبیه سازی در متلب را مشاهده نمایید. دانشجویان و پژوهشگران رشته های مهندسی، استفاده زیادی از این الگوریتم ها در امور تحقیقاتی و دانشگاهی خود می کنند. کاربرد الگوریتم های تکاملی و فراابتکاری که الهام گرفته شده از طبیعت هستند، مورد توجه بسیاری از محققین در دهه های اخیر بوده و مقالات معتبر زیادی نیز در این زمینه، در ژورنال های بین المللی به چاپ رسیده است. مسئله بهینه سازی در ساده ترین حالت، شامل بیشینه سازی یا کمینه سازی یک تابع واقعی با انتخاب سیستمی مقدارهای ورودی از یک مجموعه مجاز و محاسبه مقدار تابع می شود. تعمیم نظریه و روش های بهینه سازی به فرمولاسیون های دیگر شامل حوزه گسترده­ای از ریاضی کاربردی است. به طور کلی، بهینه سازی عبارت است از یافتن «بهترین مقدار موجود» از یک تابع هدف با فرض یک دامنه تعریف شده (یا ورودی) شامل انواع مختلف تابع های هدف و دامنه های مختلف.

در ریاضیات، علوم کامپیوتر و اقتصاد، مسئله بهینه سازی عبارت است از مسئله یافتن بهترین راه حل از میان راه حل های ممکن. بسته به این که متغیرها، پیوسته یا گسسته باشند، مسائل بهینه سازی را می توان به دو دسته تقسیم کرد:

• مسئله بهینه سازی با متغیرهای گسسته، بهینه سازی گسسته نامیده می شود که در آن یک شئ مانند یک عدد صحیح، تبدیل یا نمودار باید از یک مجموعه قابل شمارش، یافت شود.
• مسئله بهینه سازی با متغیرهای پیوسته، بهینه سازی پیوسته خوانده می شود که در آن، مقدار بهینه از یک تابع پیوسته باید پیدا شود. آنها می توانند شامل مسائل محدود و مسائل چند حالتی باشند.

الگوریتم های فراابتکاری+PDF

در این صفحه می توانید جدید مقالات انگلیسی با موضوع الگوریتم های فراابتکاری را مشاهده نمایید. فایل PDF مقالات را می توانید به صورت رایگان از سایت دریافت نمایید. در صورت نیاز به ترجمه مقالات نیز می توانید آنها را خریداری نموده و فایل دانلود فایل ورد (WORD) آنها را دریافت نمایید. ترجمه ها با فرمت doc و docx در اختیار شما قرار می گیرند و کاملا قابل ویرایش و شخصی سازی می باشند.

در علوم کامپیوتر و بهینه سازی ریاضی، فراابتکاری یک رویه سطح بالاتر یا ابتکار طراحی شده برای یافتن، تولید یا انتخاب یک ابتکار (الگوریتم جستجوی بخشی) است که می تواند به ویژه با اطلاعات ناکامل و ناکافی یا ظرفیت محاسباتی محدود، یک راه حل به اندازه کافی خوب برای یک مسئله بهینه سازی ارائه کند. نمونه فراابتکاری، یک زیرمجموعه از راه حل ها را نمونه برداری می کند که در غیر این صورت بیش از آن بزرگ خواهد بود که بتوان به طور کامل برشمرده و بررسی کرد. فراابتکاری می تواند فرض هایی در مورد این مسئله بهینه سازی مورد نظر، در نظر بگیرد و بنابراین می تواند برای مسائل مختلف، سودمند باشد.

فراابتکاری در مقایسه با الگوریتم های بهینه سازی و روش های تکراری، تضمین نمی کند که یک راه حل عمومی بهینه در دسته­ای از مسائل می توان یافت. بسیاری از فراابتکارها، بخشی از بهینه سازی تصادفی را پیاده می کنند، طوری که راه حل یافت شده، بسته به مجموعه متغیرهای تصادفی، تولید شده است. در بهینه سازی ترکیبی، با جستجو در مجموعه بزرگی از راه حل های ممکن، فراابتکار می تواند راه حل های خوب را با تلاش محاسباتی کمتر از الگوریتم های بهینه سازی، روش های تکراری یا ابتکارهای ساده، پیدا کند. به همین ترتیب، آنها روش های سودمندی برای مسائل بهینه سازی هستند.

بیشتر مقالات در مورد الگوریتم های فراابتکاری، ذاتاً آزمایشی هستند و نتایج تجربی را بر پایه آزمایش های کامپیوتری با الگوریتم ها توصیف می کنند. اما برخی نتایج نظری رسمی هم وجود دارد که اغلب همگرا هستند و احتمالاً بهینه عمومی را پیدا می کنند. بسیاری از روش های فراابتکاری با ادعای جدید بودن و کارآمدی عملی منتشر شده است. در حالی که این حوزه، پژوهش با کیفیت را نمایش می دهد، بسیاری از نشریات با کیفیت پایین بوده­اند؛ نقص ها عبارتند از ابهام، نبود جزئیات مفهومی، آزمایش های ضعیف، و نادیده گرفتن نشریات قبلی.

الگوریتم های فراابتکاری جدید

در این صفحه می توانید جدیدترین مقالات مربوط به الگوریتم های فراابتکاری که در ژورنال های معتبر به چاپ رسیدند را مشاهده نمایید. لازم به ذکر است که این لیست، به روز رسانی می شود و مقالات جدید، به آن اضافه خواهند شد.

بهینه سازی فراابتکاری به مسائل بهینه سازی با استفاده از الگوریتم های فراابتکاری مربوط می شود. بهینه سازی اساساً در هر جایی از طراحی مهندسی تا اقتصاد و از برنامه ریزی تعطیلات تا مسیریابی اینترنتی، وجود دارد. از آنجا که پول، منابع و زمان، همیشه محدود هستند، بکارگیری بهینه این منابع موجود، اهمیت حیاتی و بسیار بالایی دارد.

بیشتر بهینه سازی ها، به شدت غیرخطی و چند حالتی، و تحت محدودیت های مختلف پیچیده، می باشند. هدف های مختلف، اغلب متناقض هستند. حتی برای یک هدف منفرد، کاهش راه حل های بهینه ممکن است اصلاً وجود نداشته باشد. در کل، یافتن یک راه حل بهینه یا حتی راه حل های زیر بهینه، کار ساده­ای نیست. هدف ما در این صفحه، معرفی مبانی بهینه سازی فراابتکاری و برخی الگوریتم های فراابتکاری مشهور می باشد.