دانلود ترجمه مقاله الگوریتم آتش بازی برای بهینه سازی

1. مقدمه 2. الگوریتم آتش بازی 2.1. چارچوب FA 2.2. طراحی انفجار آتش بازی 2.3. انتخاب جاها 2.4. خلاصه 3. آزمایش ها 3.1. توابع محک 3.2. مقایسه آزمایش ها در میان FA، CPSO و SPSO 3.3. بحث و بررسی 4. نتیجه گیری

مقدمه: در سال های اخیر هوش ازدحامی (SI) در میان محققانی که در سراسر جهان روی مسائل بهینه سازی کار می کنند، رواج یافته است [1، 2]. الگوریتم های SI مثل بهینه سازی ازدحام ذره [3] (PSO)، سیستم مورچه [4]، الگوریتم انتخاب کلونی [5]، ربات های ازدحام [6] و غیره، مزایایی برای حل بسیاری از مسائل بهینه سازی دارند. در میان همه الگوریتم ها SI، PSO متداول ترین الگوریتم برای جستجوی جاهای بهینه در فضای ابعادی D است. در سال 1995، کندی وابرهارت، PSO را به عنوان الگوریتم بهینه سازی قوی با الهام از رفتار دسته های پرنده پیشنهاد کردند [3]. از آن پس PSO توجه محققان زیادی را در سراسر جهان به خود جلب کرده است و انواع مختلف PSO پیشنهاد شده است [8، 7]. همانند PSO، بیشتر الگوریتم های هوش ازدحامی نیز با الهام از برخی رفتارهای کلونی هوشمند در طبیعت است. در این مقاله، با الهام از رفتار ازدحامی آتش بازی، الگوریتم جدید هوش ازدحامی به نام الگوریتم آتش بازی (FA) برای بهینه سازی تابع پیشنهاد شده است. FA با شبیه سازی فرآیند انفجار آتش بازی ارائه و پیاده شده است. در FA دو فرآیند انفجار (جستجو) بکار رفته است و مکانیسم های حفظ تنوع جرقه ها نیز به خوبی طراحی شده است. برای اعتبارسنجی عملکرد FA پیشنهادی، آزمایشاتی برای مقایسه روی نه تابع تست محک در میان FA، PSO استاندارد (SPSO)، و Clonal PSO (CPSO)انجام گرفت [8]. نشان داده شد که FA به وضوح عملکرد بهتری از PSO و CPSO از نظر دقت بهینه سازی و سرعت همگرایی دارد. ادامه این مقاله به ترتیب زیر سازماندهی شده است. در بخش 2 چارچوب FA توضیح داده شده و دو نوع فرآیند جستجو و مکانیسم های حفظ تنوع معرفی شده است. در بخش 3 نتایج آزمایش اعتبارسنجی عملکرد FA ارائه شده است. بخش 4 نتیجه گیری مقاله است.

Introduction: In recent years, Swarm Intelligence (SI) has become popular among researchers working on optimization problems all over the world [1,2]. SI algorithms, e.g. Particle Swarm Optimization (PSO) [3], Ant System [4], Clonal Selection Algorithm [5], and Swarm Robots [6], etc., have advantages in solving many optimization problems. Among all the SI algorithms, PSO is one of the most popular algorithm for searching optimal locations in a D-dimensional space. In 1995, Kennedy and Eberhart proposed PSO as a powerful global optimization algorithm inspired by the behavior of bird blocks [3]. Since then, the PSO has attracted the attentions of researchers around the globe, and a number of variants of PSO have been continually proposed [7, 8]. Like PSO, most of swarm intelligence algorithms are inspired by some intelligent colony behaviors in nature. In this paper, inspired by the emergent swarm behavior of fireworks, a novel swarm intelligence algorithm called Fireworks Algorithm (FA) is proposed for function optimization. The FA is presented and implemented by simulating the explosion process of fireworks. In the FA, two explosion (search) processes are employed and mechanisms for keeping diversity of sparks are also well designed. To validate the performance of the proposed FA, comparison experiments were conducted on nine benchmark test functions among the FA, the Standard PSO (SPSO), and the Clonal PSO (CPSO) [8]. It is shown that the FA clearly outperforms the SPSO and the CPSO in both optimization accuracy and convergence speed. The remainder of this paper is organized as follows. Section 2 describes the framework of the FA and introduces two types of search processes and mechanisms for keeping diversity. In Section 3, experimental results are presented to validate the performance of the FA. Section 4 concludes the paper.

ترجمه این مقاله در 13 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.