دانلود ترجمه مقاله بهینه ساز چند هدفی گرگ خاکستری در بهینه سازی چندضابطه ای

1. مقدمه 2. مروری بر مقالات 3. بهینه ساز گرگ خاکستری چند هدفی (MOGWO) 4. نتایج و بحث و بررسی 5. نتیجه گیری

مقدمه: چالش های مختلفی در حل مسائل مهندسی واقعی وجود دارد که نیاز به ابزارهای خاصی برای مدیریت آنها دارند. یکی از مهمترین مشخصات مسائل حقیقی، که آنها را چالش برانگیز کرده، چند هدفی بودن است. یک مسئله چند هدفی نامیده می شود اگر بیش از یک هدف برای بهینه سازی وجود داشته باشد. لازم به گفتن نیست که یک بهینه سازی چند هدفی باید برای حل چنین مسائلی بکار گرفته شود. دو رویکرد برای مدیریت چندین هدف وجود دارد: عطف به گذشته و عطف به آینده (بانکه، کاوگلر و شمک، 2001؛ مادر و آرورا، 2004). دسته اول از بهینه سازها، اهداف یک مسئله چند هدفی را با یک تک هدفی، با یک مجموعه از وزن ها (ارائه شده توسط تصمیم گیرندگان)، ترکیب می کند که این اهمیت هر هدف را تعریف می کند و از بهینه ساز تک هدفی برای حل آن استفاده می کند. ماهیت تک هدفی فضاهای جستجوی ترکیبی، یافتن یک جواب منفرد به عنوان بهینه را ممکن می سازد. برعکس، یک روش عطف به آینده، فرمولاسیون چند هدفی مسائل چند هدفی را حفظ می کند و اکتشاف رفتار مسائل در یک محدوده از پارامترهای طراحی و شرایط عملیاتی در مقایسه با یک رویکرد عطف به گذشته را ممکن می سازد (دب، 2012). در این حالت، تصمیم گیرندگان در نهایت یکی از جواب های بدست آمده را براساس نیازشان انتخاب می کنند. همچنین نوع دیگری از مدیریت چندین هدف وجود دارد که به آن روش پیشرو گرفته می شود و در آن، اولویت های تصمیم گیرنده در مورد اهداف در طی بهینه سازی مورد ملاحظه قرار می گیرن (برانکه و دب، 2005). برعکس بهینه سازی تک هدفی، هنگام ملاحظه چندین هدف، به عنوان هدف کلی فرآیند بهینه سازی، یک جواب منفرد وجود ندارد. در این حالت، یک مجموعه جواب، که نماینده تعادل های مختلف بین اهداف می باشند، شامل جواب های بهینه یک مسئله چند هدفی می باشد (کوئلو، لامونت و وان ولدهویسن، 2007). قبل از سال 1984، فنون بهینه سازی چندهدفی ریاضیاتی میان پژوهشگران رشته های مختلف مانند ریاضی کاربردی، پژوهش عملیاتی و علوم کامپیوتر، محبوب بودند. از آنجایی که اکثریت رویکردهای متداول (شامل روش های قطعیت) از گیر افتادن در بهینه های محلی رنج می برند، چنین فنونی برای مسائل امروزی، کاربردی نمی باشند.

Introduction: There are different challenges in solving real engineering problems, which needs specific tools to handle them. One of the most important characteristics of real problems, which make them challenging, is multi-objectivity. A problem is called multi-objective if there is more than one objective to be optimized. Needless to say, a multiple objective optimizer should be employed in order to solve such problems. There are two approaches for handling multiple objectives: a priori versus a posteriori (Branke, Kaugler, & Schmeck, 2001; Mader & Arora, 2004). The former class of optimizers combines the objectives of a multi-objective problem to a single-objective with a set of weights (provided by decision makers) that defines the importance of each objective and employs a single-objective optimizer to solve it. The unary-objective nature of the combined search spaces allows finding a single solution as the optimum. In contrary, a posterior method maintain the multi-objective formulation of multi-objective problems, allowing to explore the behavior of the problems across a range of design parameters and operating conditions compared to a priori approach (Deb, 2012). In this case, decision makers will eventually choose one of the obtained solutions based on their needs. There is also another type of handling multiple objectives called progressive method, in which decision makers' preferences about the objectives are considered during optimization (Branke & Deb, 2005). In contrary to single-objective optimization, there is no single solution when considering multiple objectives as the goal of the optimization process. In this case, a set of solutions, which represents various trade-offs between the objectives, includes optimal solutions of a multi-objective problem (Coello, Lamont, & Van Veldhuisen, 2007). Before 1984, mathematical multi-objective optimization techniques were popular among researchers in different fields of study such as applied mathematics, operation research, and computer science. Since the majority of the conventional approaches (including deterministic methods) suffered from stagnation in local optima, however, such techniques were not applicable as there are not nowadays.