مقاله ترجمه شده درباره الگوریتم تکاملی جدید تقلیدی و کاربرد آن در بهینه سازی مصرف سوخت خودرو – سال 2016
مشخصات مقاله:
عنوان فارسی مقاله:
الگوریتم تکامل مانکی کینگ: الگوریتم تکاملی جدید تقلیدی و کاربرد آن در بهینه سازی مصرف سوخت خودرو
عنوان انگلیسی مقاله:
Monkey King Evolution: A new memetic evolutionary algorithm and its application in vehicle fuel consumption optimization
کلمات کلیدی مقاله:
تابع معیار، مصرف سوخت، الگوریتم تکاملی مانکی کینگ، تعداد ارزیابی تابع، متغییرات دسته ذرات، تردد خودرو
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات و هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- آثار مربوطه
3- الگوریتم تکاملی مانکی کینگ تقلیدی
1-3 توابع معیار
2-3 مدل به روز رسانی شده الگوریتم تکاملی مانکی کینگ تقلیدی
3-3 تکامل مانکی کینگ مدل 3
4-مدل مسیریابی و مصرف سوخت در شبکه های توری
5- ارزیابی عملکرد و مقایسه ها
6- نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Optimization algorithms are proposed to tackle different complex problems in different areas. In this paper, we firstly put forward a new memetic evolutionary algorithm, named Monkey King Evolutionary (MKE) Algorithm, for global optimization. Then we make a deep analysis of three update schemes for the proposed algorithm. Finally we give an application of this algorithm to solve least gasoline consumption optimization (find the least gasoline consumption path) for vehicle navigation. Although there are many simple and applicable optimization algorithms, such as particle swarm optimization variants (including the canonical PSO, Inertia Weighted PSO, Constriction Coefficients PSO, Fully Informed Particle Swarm, Comprehensive Learning Particle Swarm Optimization, Dynamic Neighborhood Learning Particle Swarm). These algorithms are less powerful than the proposed algorithm in this paper. 28 benchmark functions from BBOB2009 and CEC2013 are used for the validation of robustness and accuracy. Comparison results show that our algorithm outperforms particle swarm optimizer variants not only on robustness and optimization accuracy, but also on convergence speed. Benchmark functions of CEC2008 for large scale optimization are also used to test the large scale optimization characteristic of the proposed algorithm, and it also outperforms others. Finally, we use this algorithm to find the least gasoline consumption path in vehicle navigation, and conducted experiments show that the proposed algorithm outperforms A∗ algorithm and Dijkstra algorithm as well.
6- نتیجه گیری
در این مقاله الگوریتم تکاملی مانکی کینگ را مطرح کردیم و به تحلیل سه طرح به روز رسانی پرداختیم و آنگاه از توابع معیار برای تایید الگوریتم پیشنهادی استفاده کردیم. مقایسه های بین الگوریتم خود و مدل های بهینه سازی دسته ذرات پیشرفته، انجام شد و نتایج آزمایشات نشان داد که الگوریتم ما سرعت و دقت همگرایی بهتری دارد. مدل های بهینه سازی دسته ذرات دارای نقطه ضعف عمده اند و اینکه اندازه جمعیت بزرگ به طور عمده نتایج بهینه سازی را بهبود نمی بخشد و لذا این ضعف در بهینه سازی مسائل ابعد بالا وجود دارد. الگوریتم ما استفاده بهتری از هماهنگی ذرات داشته و این مسئله به طور کامل در بهینه سازی مقیاس بزرگ نشان داده می شود. به کارگیری تردد خودروهای نواحی شهری در چارچوب مصرف حداقل سوخت بحث می شود و الگوریتم ما تردد با مصرف سوخت حداقل مطرح می کند و بهتر از الگوریتم A*و دیکسترا عمل می کند. الگوریتم ما همچنین می تواند به شکل بهینه سازی دسته ذرات و شکل تکامل دیفرانسیلی تجزیه شود. همچنین می توانیم از تکرارها/تولد های تکامل ذره با افزایش اندازه جمعیت ذره استفاده کنیم تا به تعداد برابر ارزیابی های توابع برسیم که عملکرد بهتری از خود نشان داده و این تحلیل در مقاله بعدی بحث خواهد شد.
