روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
14,500 تومانشناسه فایل: 8604
چکیده
در این مقاله با استفاده از الگوریتم بهینه سازی فاخته و روش افزودن وزن ساده ، الگوریتم ترکیبی COAW برای حل مسائل چند منظوره ارائه شده است. الگوریتم فاخته یک روش کارآمد و سازمان یافته برای حل مشکلات مداوم غیر خطی است. مرزهای پارتو ایجاد شده در الگوریتم پیشنهادی COAW دقیق و دارای پراکندگی خوبی هستند. این روش دارای سرعت بالا برای یافتن مرز پارتو است و نقاط شروع و پایان مرزهای پارتو به درستی شناسایی می کند. به منظور اعتبارسنجی الگوریتم پیشنهادی، چندین مشکل آزمایشی مورد تجزیه و تحلیل قرار گرفت. نتایج آن نشان دهنده اثر مناسب الگوریتم COAW برای حل مسائل چند منظوره است.
مقدمه مقاله
روش های متعددی برای حل مسائل محدودیت برنامه نویسی غیر خطی مانند نیوتن ، الگوریتم ژنتیک، الگوریتم پرندگان و غیره وجود دارد. در این مقاله با استفاده از پدیدار شدن الگوریتم، الگوریتم بهینه سازی فاخته و افزودن وزن ساده یک روش برای حل مسائل چند منظوره ارائه شده است.
در بهینه سازی تک منظوره تصور می شود که تصمیم گیرندگان تنها با یک هدف مانند: حداکثر سازی سود، کم کردن هزینه، بهینه سازی ضایعات، به حداقل رساندن اشتراک و غیره ارتباط برقرار می کنند. اما در دنیای واقعی امکان پذیر نیست که یک هدف را در نظر بگیرند و معمولاً بیش از یک هدف مورد بررسی قرار می گیرد. به عنوان مثال ، در کنترل پروژه ها اگر تنها عامل زمان در نظر گرفته شود، دیگر اهداف مانند هزینه و کیفیت نادیده گرفته می شوند و نتایج قابل اعتماد نیستند. بنابراین لازم است از مشکلات بهینه سازی چند منظوره استفاده شود.
Ehrgott و Gandibleux روش های تقریبا دقیقی که در مورد مشکلات ترکیبی بهینه سازی چند منظوره شت ارائه داده اند. Klein و Hannan مشکلات برنامه نویسی خطی عددی چند منظوره و الگوریتمی که در بعضی از محدودیت های اضافی برای حذف راه حل های شناخته شده استفاده می شود ارائه داده اند. Sylva و Crema روشی برای پیدا کردن مجموعه ای از بردارهای غالب در مشکلات برنامه نویسی خطی عددی چند منظوره ارائه داده اند. Arakawa و همکارانش از تجزیه و تحلیل کلی داده های ترکیبی احاطه شده و الگوریتم ژنتیک برای تولید مرز کارآمد در مسائل بهینه سازی چند منظوره استفاده کردند.
Deb حل مشکلات چند منظوره توسط الگوریتم های تکامل یافته را تجزیه و تحلیل کرد. Reyesseerra و coelllo حل مشکلات چند منظوره توسط اجتماع ذرات تجزیه و تحلیل کردند. Copeer و همکارانش بر روی حل مشکلات چند منظوره توسط DEA و ارائه یک برنامه کار کردند.فام و قنبرزاده مشکلات چند منظوره را توسط الگوریتم زنبور عسل حل کردند. Nebro و همکارانش یک روش جدید بر مبنای الگوریتم اجتماع ذرات برای حل بهینه سازی مشکلات چند منظوره تجزیه و تحلیل کردند. Goriestani و همکارانش الگوریتم چند منظوره COA با استفاده از روش DEA مطرح کردند.
برای بهینه سازی مشکلات چند منظوره دستیابی به راه حل بهینه که به طور همزمان تمام اهداف بهینه سازی در مسئله است، امکان پذیر نیست. بنابراین ما باید سعی کنیم راه حل های بهتری به جای آنهایی که بهینه شناخته شده اند مانند کارایی پارتو ، پیدا کنیم. با توجه به این که تا کنون روش افزودن وزن ساده در الگوریتم های فرا شناسی به ویژه الگوریتم های فاخته استفاده نشده است، در این مقاله یک روش ترکیبی ارائه می دهد.
بخش اول، الگوریتم بهینه سازی فاخته را معرفی می کند، سپس در بخش دوم، روش افزودن وزن ساده (SAW) به عنوان یک روش ترکیبی برای توصیف حل چند منظوره مورد بحث قرار می گیرد. در نهایت، بخش چهارم اجرای روش پیشنهادی، نتایج عددی و مقایسه با سایر روش ها را ارائه می دهد.
ABSTRACT The New Hybrid Coaw Method For Solving Multi-Objective Problems
In this article using Cuckoo Optimization Algorithm and simple additive weighting method the hybrid COAW algorithm is presented to solve multi-objective problems. Cuckoo algorithm is an efficient and structured method for solving nonlinear continuous problems. The created Pareto frontiers of the COAW proposed algorithm are exact and have good dispersion. This method has a high speed in finding the Pareto frontiers and identifies the beginning and end points of Pareto frontiers properly. In order to validation the proposed algorithm, several experimental problems were analyzed. The results of which indicate the proper effectiveness of COAW algorithm for solving multi-objective problems.
Introduction
There are many methods for solving nonlinear constrained programming problems such as Newton, Genetic algorithm, the algorithm of birds and so on. In this paper using the emerging Cuckoo Optimization Algorithm and simple additive weighting a method to solve multi-objective problems is presented.
In single-objective optimization, it is assumed that the decision makers communicate only with one goal like: profit maximization, cost minimization, waste minimization, share minimization and so on. But in the real world it is not possible to consider single goals and usually more than one goal are examined. For example, in the control of the projects if only the time factor is considered, other objectives such as cost and quality are ignored and the results are not reliable. So it is necessary to use multi-objective optimization problems.
Ehrgott and Gandibleux presented a detailed approximation method regarding the problems related to combinatorial multi-objective optimization [1]. Klein and Hannan for multiple objective integer linear programming problems (MOILP) presented and algorithm in which some additional restrictions is used to remove the known dominant solutions [2]. Sylva and Crema offered a method to find the set of dominant vectors in multiple objective integer linear programming problems [3]. Arakawa et al. used combined general data envelopment analysis and Genetic Algorithm to produce efficient frontier in multi-objective optimization problems [4].
Deb analyzed the solution of multi-objective problems by evolutionary algorithms [5]. Reyesseerra and Coello Coello analyzed the solution of multi-objective problems by particle swarm [6]. Cooper et al. have worked on the solution of multi-objective problems by the DEA and presenting an application [7]. Pham and Ghanbarzadeh solved multi-objective problems by bee algorithm [8]. Nebro et al. analyzed a new method based on particle swarm algorithm for solving multiobjective optimization problems [9]. Gorjestani et al. proposed a COA multi objective algorithm using DEA method [10].
For multi-objective optimization problems usually it is not possible to obtain the optimal solution that simultaneously optimizes all the targets in question. Therefore we should try to find good solutions rather than the optimal ones known as Pareto frontier. Given that so far the Simple Additive Weighting method is not used in meta-heuristic, especially cuckoo algorithms, this paper presents a combined method.
The first section introduces Cuckoo optimization algorithm, then in the second section Simple Additive Weighting (SAW) method is discussed as a combined method for solving multiobjective described. Finally, the fourth section provides the proposed implemented approach, numerical results and a comparison which is made with other methods.
- مقاله درمورد روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
- الگوریتم بهینه سازی فاخته و افزودن وزن ساده (Coaw)
- روش ترکیبی جدید برای حل مسائل چند هدفه
- پروژه دانشجویی روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
- متد ترکیبی CLAM برای حل مسائل چند هدفه
- پایان نامه در مورد روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
- تحقیق درباره روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
- مقاله دانشجویی روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
- روش ترکیبی جدید Coaw برای حل مسائل چند منظوره در قالب پايان‌نامه
- پروپوزال در مورد روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
- گزارش سمینار در مورد روش ترکیبی جدید Coaw برای حل مسائل چند منظوره
- گزارش کارورزی درباره روش ترکیبی جدید Coaw برای حل مسائل چند منظوره