فایل ورد کامل مسائل چند اوجی در بهینه ‌سازی الگوریتم ژنتیک: پژوهش در همگرایی و قدرتمندی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل مسائل چند اوجی در بهینه ‌سازی الگوریتم ژنتیک: پژوهش در همگرایی و قدرتمندی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۴ صفحه

۷- نتیجه‌گیری
نتایج زیر را می توان از این مطالعه مختصر در مورد مسائل بهینه‌سازی چنداوجی و مقید به دست آورد:
(۱) الگوریتم‌های ژنتیک به صورت بنیادی روشهای متداول بهینه‌سازی خوبی در مسائل چنداوجی هستند.
(۲) الگوریتم های ژنتیک، با این حال باید برای مجموعه های مختلفی از اعداد تصادفی عمل کنند تا از نتایج ناگوار پرهیز شود.
(۳) تنظیم پارامترهای کنترل نیچ برای دستیابی به بهترین عملکرد در این شرایط مورد نیاز است.
(۴) انتخاب صحیح پارامترهای بنیادی می تواند نیاز به مکانیزمهای پیچیده کنترل نیچ را برطرف کند، بویژهاگر یک مکانیزم مقید استفاده شود و تعداد کافی آزمایش، مجاز باشد.
در مورد نکته آخر، استفاده از تابع جریمه مقید توسعه داده شده برای تکنیک‌های کلاسیک نامقید بیشینه سازی (SUMT) مانند فیاکو-مک کورمیک می تواند مزایای چشمگیری داشته باشد وقتی که به آرامی در روش الگوریتم ژنتیک با تنظیم قیدهای قوی در هر نسل اجتماع یابند. همین طور آنها وقتی که با مسائل مقید تعامل دارند یک شریک طبیعی برای الگوریتم ژنتیک تشکیل می‌دهند و شایسته توجه بیشتر هستند.

عنوان انگلیسی:Genetic algorithm optimization of multi-peak problems: studies in convergence and robustness~~en~~

۷ CONCLUSIONS

The following principal conclusions may be drawn from this brief study into optimizing multi-peak, constraintlimited optimization problems: 1)GAS are fundamentally good multi-peak optimization routines. 2)GAS must, none the less, be tried over several different sets of random numbers to guarantee that results are not flukes. 3)Careful tuning of the niche control parameters may be needed to gain the best performance in these circumstances. 4)The correct choice of the fundamental parameters may obviate the need for sophisticated niche control mechanisms, particularly if a good constraint mechanism is used and a sufficient number of trials are allowed. In the context of this last point, the use of constraint penalty functions developed for classical, sequential unconstrained maximization techniques (SUMT) such as the Fiacco-McCormick function may well give significant advantages since they may be smoothly integrated into the GA method by setting increasingly severe constraints on each successive generation. As such they form a natural partner to the GA when dealing with constrained problems and deserve wider attention. 

$$en!!