دانلود ترجمه مقاله الگوریتم بهبود یافته کرم شب تاب برای حل مسئله کوله پشتی چندبعدی پویا

1. مقدمه 2. مسئله کوله پشتی چندبعدی پویا 3. راه حل ها 4. نتایج تجربی 5. نتیجه گیری

چکیده – مقالات مختلفی به چاپ رسیده اند که به مسئله بهینه سازی پرداخته اند درحالیکه مسئله اصلی داده ها، در زمان بهینه سازی ثابت مانده اند. با این حال اکثر مسئله های دنیای واقعی طبیعتی پویا دارند که موجب عدم قطعیت رخدادهای آینده شده است. بهینه سازی در محیط پویا، نسبتا جدید است و موضوع تحقیقاتی داغی است و توجه زیاد محققین دهه اخیر را به خود جلب کرده است. الگوریتم های کرم شب تاب (FA) ، الگوریتم ژنتیک (GA) و تکامل دیفرانسیلی (DE) در سطح وسیعی برای مسائل بهینه سازی ایستا استفاده شده اند اما به کارگیری این الگوریتم ها در محیط پویا کم است. در مطالعه حاضر الگوریتم کرم شب تاب با بررسی تنوع و شروع مجدد تصادفی و رویه های حرکتی سازگار توسعه داده شده و برای حل مسئله کوله پشتی چند بعدی به کار گرفته شده است. از نظر ما این مقاله اولین مطالعه روی کارآیی الگوریتم کرم شب تاب در مسئله ترکیبی پویاست. برای ارزیابی کارآیی الگوریتم پیشنهادی، مسئله مشابهی مدلسازی شده و با الگوریتم ژنتیک ، تکامل دیفرانسیلی و الگوریتم کرم شب تاب مدلسازی شده است. با توجه به نتایج محاسباتی و توانایی همگرایی، به این نتیجه میرسیم که الگوریتم کرم شب تاب، الگوریتمی قوی برای حل مسئله کوله پشتی چندبعدی در محیط های ایستا و پویاست. این مقاله یک تحلیل قیاسی از کارآیی GA، DE، FA در مسئله کوله پشتی چندبعدی پویا ارائه کرده است. همانطور که می دانیم این مقاله اولین مقاله بهینه سازی ترکیبی پویای FA است. یکی از مهترین بخش های مطالعه، معرفی FA2 است که برای نمایش واقعی تر رفتارهای کرم های شب تاب ارائه شده است. FA2 نیاز به زمان محاسبه کمتری دارد و بعلاوه می تواند نتایج بهتری در مسئله کوله پشتی ایستا و پویا بدست آورد. به خصوص FA2 در محیط های ایستا، نتایج نزدیک به بهینه ای بدست می آورد و توانایی همگرایی سریعتری دارد. بنابراین می توان گفت که FA2 در مقایسه با GA، DE و FA کارآمدتر است. به خاطر اینکه این یک الگوریتم فراابتکاری نسبتا جدید است، کارآیی FA تنها همراه با کارآیی GA تنها و DE نیز در این مقاله ارائه شده است. به عبارت دیگر، برای اینکه تحلیل عادلانه ای داشته باشیم از هر رویه بهبودی اجتناب کرده ایم. با این حال تحقیق روی اثرات چنین رویه ای ممکنن است به آینده موکول شود. بعلاوه، ممکن است کارآیی FA2 نیز می تواند در مسائل پویای مختلف بررسی شود. به خصوص بهینه سازی پویای پیوسته ، رادر مسائل پویای مختلف می توان بررسی کرد. بخصوص، بهینه سازی پویای پیوسته ای که میانه آنها تغییر میکند نیز میتواند کاندید خوبی برای چنین تحلیلی باشد.

There is a wide range of publications reported in the literature, considering optimization problems where the entire problem related data remains stationary throughout optimization. However, most of the real-life problems have indeed a dynamic nature arising from the uncertainty of future events. Optimization in dynamic environments is a relatively new and hot research area and has attracted notable attention of the researchers in the past decade. Firefly Algorithm (FA), Genetic Algorithm (GA) and Differential Evolution (DE) have been widely used for static optimization problems, but the applications of those algorithms in dynamic environments are relatively lacking. In the present study, an effective FA introducing diversity with partial random restarts and with an adaptive move procedure is developed and proposed for solving dynamic multidimensional knapsack problems. To the best of our knowledge this paper constitutes the first study on the performance of FA on a dynamic combinatorial problem. In order to evaluate the performance of the proposed algorithm the same problem is also modeled and solved by GA, DE and original FA. Based on the computational results and convergence capabilities we concluded that improved FA is a very powerful algorithm for solving the multidimensional knapsack problems for both static and dynamic environments. This paper presents a comparative analysis of the performances of GA, DE and FA on both static and dynamic multidimensional knapsack problems. To the best of our knowledge this paper constitutes the first paper on the combinatorial dynamic optimization of FA. One of the important contributions of the study is the development of FA2, which is designed for a more realistic reflection of the behaviors of fireflies. FA2 requires less computational time; moreover it achieves significantly superior results on both static and dynamic multidimensional knapsack problems. Particularly on stationary environments, FA2 obtains near optimal results with a significantly faster convergence capability. Thus, it can be said that FA2 was found to be more effective compared to GA, DE and FA for the problems studied in this paper. Because it’s a relatively new metaheuristic algorithm, the performance of pure FA along with the performances of pure GA and DE is also presented through this paper. In other words, any enhancement procedure is avoided as far as possible for a fair analysis. However, a research for the effects of such procedures might be scheduled as a future work. Additionally, the performance of FA2 might be analyzed through different dynamic problems. Particularly, continuous dynamic optimization where moving peaks exist might be an appropriate candidate for such an analysis. As another future work, a comparative study with the sate-ofthe- art algorithms such as jDE, SaDE, ‘‘HyperMutation GA’’ and ‘‘GA with Random Immigrants’’ which were designed particularly for dynamic optimization problems can be carried out.