MOEICA: بهینه سازی چند هدفه پیشرفته براساس الگوریتم رقابت استعماری

Subject Areas : Meta-heurestics

امیرعلی  نظری ¹ (گروه مهندسی برق دانشگاه بوعلی سینا)
علی  دیهیمی ² (گروه مهندسی برق دانشگاه بوعلی سینا)

Received: 2017-01-28 Accepted : 2017-04-14 Published : 2017-06-01

Keywords: معیارهای عملکرد, ICA چند هدفه, مرز پارتو, توابع الگو,

Abstract :

در این مقاله، یک الگوریتم  رقابت استعماری (MOEICA) چند هدفه پیشرفته  ارائه شده است. ساختار اصلی  ICA ابتکاری  به کاربرده می شوند در حالی که برخی رویکردهای جدیدی نیز توسعه  یافته اند. به غیر از مرتب سازی غیر تحت سلطه و روش  فاصله  ازدحام که به عنوان ابزار اصلی برای مقایسه و رتبه بندی راه حل استفاده می شود، یک رویکرد مقایسه کمکی که اختیار فازی نامیده می شود  نیز گنجانیده شده است. این طرح جدید کشورهای بیشتری را برای شرکت در هدایت مردم به سمت مسیرهای جستجوی مختلف قادر می سازد. علاوه بر این بار محاسباتی الگوریتم با انجام  فرایند مرتب  سازی  در هر تکرار قوی نیست اما در برخی از فواصل از پیش تعریف شده کاهش خواهد یافت. فراوانی  که با در نظر گرفتن پارامترانتخابی  کنترل می شود،علاوه بر این، بازآفرینی امپراتوری و امپریالیسم چندین بار در طول پیشرفت بهینه سازی،  اکتشاف بهتر و شانس کمتری برای   دام افتادن در بهینه محلی را تشویق می کند. دلیل شایستگی های الگوریتم بر روی پانزده توابع الگو در شرایط معیارهای عملکرد مختلف مورد آزمایش قرارگرفت. نتایج از طریق مقایسه  NSGA-II و MOPSO نشان می دهد که  MOEICA حل کننده چند هدفه موثر تر و قابل اعتماد با توانایی زیادی در مرز پارتو حقیقی برای آزمون عملکردها در این مقاله را پوشش می دهد.

References:

Atashpaz-Gargari, E., & Lucas, C. (2007, September). Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition. In Evolutionary computation, 2007. CEC 2007. IEEE Congress on (pp. 4661-4667). IEEE.

Chandrasekaran, S., Ponnambalam, S. G., Suresh, R. K., & Vijayakumar, N. (2007, September). Multi-objective particle swarm optimization algorithm for scheduling in flowshops to minimize makespan, total flowtime and completion time variance. In Evolutionary Computation, 2007. CEC 2007. IEEE Congress on (pp. 4012-4018). IEEE.

Coello Coello, C. A., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary algorithms for solving multi-objective problems

Coello, C. A. C., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary algorithms for solving multi-objective problems (Vol. 5). New York: Springer

Coello, C. C., Pulido, G. T., & Lechuga, M. S. (2002). An extension of particle swarm optimization that can handle multiple objectives. In Workshop on Multiple Objective Metaheuristics (pp. 1-5).

Deb, K. (1999). Multi-objective genetic algorithms: Problem difficulties and construction of test problems. Evolutionary computation, 7(3), 205-230.

Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), 182-197

Deb, K., Thiele, L., Laumanns, M., & Zitzler, E. (2001). Scalable Test Problems for Evolutionary Multi-Objective Optimization. Zurich. Switzerland, Tech. Rep. 112.

Durillo, J. J., Nebro, A. J., & Alba, E. (2010, July). The jmetal framework for multi-objective optimization: Design and architecture. In Evolutionary Computation (CEC), 2010 IEEE Congress on (pp. 1-8). IEEE

Enayatifar, R., Yousefi, M., Abdullah, A. H., & Darus, A. N. (2013). MOICA: A novel multi-objective approach based on imperialist competitive algorithm. Applied Mathematics and Computation, 219(17), 8829-8841.

Fan, S. K. S., Chang, J. M., & Chuang, Y. C. (2015). A new multi-objective particle swarm optimizer using empirical movement and diversified search strategies. Engineering Optimization, 47(6), 750-770.

Fattahi, M., Mahootchi, M., Mosadegh, H., & Fallahi, F. (2014). A new approach for maintenance scheduling of generating units in electrical power systems based on their operational hours. Computers & Operations Research, 50, 61-79.

Fonseca, C. M., & Fleming, P. J. (1995). Multiobjective genetic algorithms made easy: selection sharing and mating restriction

Ghiasi, H., Pasini, D., & Lessard, L. (2011). A non-dominated sorting hybrid algorithm for multi-objective optimization of engineering problems. Engineering Optimization, 43(1), 39-59.

Holland, J. H. (2000). Building blocks, cohort genetic algorithms, and hyperplane-defined functions. Evolutionary computation, 8(4), 373-391.

Huband, S., Hingston, P., Barone, L., & While, L. (2006). A review of multiobjective test problems and a scalable test problem toolkit. IEEE Transactions on Evolutionary Computation, 10(5), 477-506.

Idoumghar, L., Chérin, N., Siarry, P., Roche, R., & Miraoui, A. (2013). Hybrid ICA–PSO algorithm for continuous optimization. Applied Mathematics and Computation, 219(24), 11149-11170.

Khabbazi, A., Atashpaz-Gargari, E., & Lucas, C. (2009). Imperialist competitive algorithm for minimum bit error rate beamforming. International Journal of Bio-Inspired Computation, 1(1-2), 125-133.