دانلود ترجمه مقاله بهینه ساز چند قطعه ای: الگوریتمی برای بهینه سازی سراسری

1. مقدمه 2. مروری بر مقالات 3. بهینه ساز چند قطعه 4. نتایج و بحث و بررسی 5. نتیجه گیری

مقدمه: طبیعت، منبع اصلی الهام گیری برای اکثریت فنون بهینه سازی احتمالاتی برپایه جمعیت بوده است. همانگونه که از نام این فنون پیداست، اینها بهینه سازی را به صورت تصادفی انجام می دهند. فرآیند بهینه سازی معمولاً با ایجاد یک مجموعه جواب استاندارد شروع می شود. این جواب های اولیه سپس با هم ترکیب می شوند، جابجا می شوند یا برروی یک تعداد از پیش تعریف شده مراحل به نام تکرار یا نسل، تکامل می یابند. این تقریباً چهارچوب اصلی همه الگوریتم های برپایه جمعیت است. آنچه که یک الگوریتم را نسبت به دیگر الگوریتم ها در این زمینه متمایز می سازد، مکانیزم ترکیب، حرکت یا تکامل جواب ها در طی بهینه سازی است. برای نمونه، الگوریتم های ژنتیکی (GA ها) [1] از بقای افراد برازنده تر (قوی تر) در طبیعات استفاده می کند تا بهترین جواب ها را انتخاب کند و سپس آنها را براساس تکثیر کرومزوم ها، ترکیب می کند. بهینه سازی دسته ذره (PSO) [2] از تفکر اجتماعی و فردی پرندگان هنگام پرواز الهم گرفته شده است، بنابراین از جواب های کاندید اطاعت می کند تا در یک فضای جستجو با توجه به بهترین موقعیت فردی خود بدست آمده تاکنون، گردش کند. الگوریتم جستجوی گرانشی (GSA) [3] از قوانین حرکت نیوتنی برای حرکت دادن عامل های جستجوی خود به سمت مناطق امیدوار کننده یک فضای جستجو استفاده می کند. مفاهیم معمول دیگر در الگوریتم های برپایه جمعیت مختلف، اکتشاف و بهره برداری می باشند. اکتشاف به معنای مرحله ای است که الگوریتم تلاش می کند تا مناطق امیدوار کننده مختلف یک فضای جستجو را به صورت سراسری، کشف کند. به بیان کلی، تغییرات ناگهانی در جواب های کاندید در این مرحله مفید و مثمرثمر هستند. برعکس، مفهوم دوم، توانایی همگرایی یک الگوریتم حول جواب های امیدوار کننده بدست آمده در مرحله اکتشاف می باشد. یک تعادل و توازن مناسب بین اکتشاف و بهره برداری می تواند حرکت به سمت بهینه سراسری را تضمین کند.

Introduction: Nature has been the main inspiration for the majority of the population-based stochastic optimization techniques. As the name of such techniques implies, they perform optimization randomly. The optimization process is usually started by creating a set of random solutions. These initial solutions are then combined, moved, or evolved over a predefined number of steps called iterations or generations. This is almost the main framework of all population-based algorithms. What makes an algorithm different from others in this field is the mechanism of combining, moving, or evolving the solutions during optimization. For instance, Genetic Algorithms (GAs) [1] utilize the survival of the fitter individuals in nature in order to select the best solutions and then combine them based on the reproduction of chromosomes. Particle Swarm Optimization (PSO) [2] was inspired by social and individual thinking of birds when flying, so it obliges the candidate solutions to move around a search space with respect to their own personal best position obtained so far as well as the best position that the swarm found so far. Gravitational Search Algorithm (GSA) [3] uses the Newtonian laws of motion in order to move its search agents towards the promising regions of a search space. Another common concepts among different population-based algorithms are exploration and exploitation. The former refers to the phase that an algorithm tries to discover different promising regions of a search space globally. Generally speaking, abrupt changes in candidate solutions are fruitful at this stage. In contrary, the latter concept is the convergence ability an algorithm around the obtained promising solutions in the exploration phase. A proper balance between exploration and exploitation can guarantee proceeding towards the global optimum.