علوم رایانشی

علوم رایانشی

الگوریتم ژنتیک چند هدفه مرتب سازی نامغلوب مبتنی بر خوشه بندی فازی

نوع مقاله : مقاله پژوهشی

نویسندگان
پژمان غلام نژاد
امیر مهدی سازدار
عبدالله غفاری
دانشکده مهندسی رایانه و سایبر- دانشگاه علوم و فنون هوایی شهید ستاری- تهران- ایران
10.22034/csj.2024.197229
چکیده
الگوریتم ژنتیک چندهدفه مرتب‌سازی نامغلوب[1] یکی از شاخص‌‌ترین و پرکاربردترین روش‌‌های چندهدفة تکاملی در زمینه بهینه‌‌سازی می‌‌باشد. این الگوریتم بارها توسط افراد مختلف، برای ایجاد الگوریتم‌‌های بهینه‌‌سازی چندهدفه جدید‌‌تر، مورد تغییرات جدید قرار گرفته است که عمده این تغییرات مبتنی بر قوانین ثابت اکتشافی مانند تقاطع و جهش بوده است. در این الگوریتم، در ابتدا رتبه‌‌بندی افراد نامغلوب، بر اساس رتبه و فاصله ازدحام انجام می‌‌پذیرد و عملگرهای انتخاب، تقاطع و جهش برای تولید فرزندان، اجرا می‌‌گردند و سپس ترکیب جمعیت والدین و فرزندان برای شکل‌‌گیری جمعیت جدید صورت می‌‌گیرد و در انتها، انتخاب جمعیت جدید، بر اساس رتبه‌‌بندی و فاصله ازدحام محاسبه می‌‌شود. در روش پیشنهادی، برای انتخاب جمعیت جدید، محاسبه فاصله ازدحام، بر اساس الگوریتم خوشه‌‌بندی مبتنی بر فازی صورت می‌‌پذیرد که منجر به دقت بالاتر در انتخاب افراد دارای رتبه بالاتر در حدود بیست و پنج درصد، در جمعیت جدید، می‌‌گردد. نتایج روش پیشنهادی در سکوی ای اِم اُ[2]، بر روی توابع آزمایشی، مورد ارزیابی قرار گرفته است و با روش‌‌های مشابه مقایسه شده است. نتایج نشان می‌‌دهد که با تعداد تکرار کمتر، در نتایج، به صورت متوسط بیست و پنج درصد بهبود حاصل ‌‌شده است.
 
[1] NSGA-II (Non-Dominated Sort Genetic Algorithm)
[2] Plat EMO
کلیدواژه‌ها
الگوریتم ژنتیک چندهدفه مرتب‌‌سازی نامغلوب
خوشه‌بندی فازی
بهینه‌‌سازی چندهدفة تکاملی
فاصلة ازدحام
موضوعات
  1. Ma, H. Wei, Y. Tian, R. Cheng, and X. Zhang, "A multi-stage evolutionary algorithm for multi-objective optimization with complex constraints," Information Sciences, vol. 560, pp. 68-91, 2021.
  2. Li, J. Li, K. Tang, and X. Yao, "Many-objective evolutionary algorithms: A survey," ACM Computing Surveys (CSUR), vol. 48, no. 1, pp. 1-35, 2015.
  3. D. Pantula, S. S. Miriyala, and K. Mitra, "An evolutionary neuro-fuzzy C-means clustering technique," Engineering Applications of Artificial Intelligence, vol. 89, p. 103435, 2020.
    1. Škrjanc, J. A. Iglesias, A. Sanchis, D. Leite, E. Lughofer, and F. Gomide, "Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: a survey," Information Sciences, vol. 490, pp. 344-368, 2019.
  4. Babuka, P. Van der Veen, and U. Kaymak, "Improved covariance estimation for Gustafson-Kessel clustering," in 2002 IEEE World Congress on Computational Intelligence. 2002 IEEE International Conference on Fuzzy Systems. FUZZ-IEEE'02. Proceedings (Cat. No. 02CH37291), 2002, vol. 2: IEEE, pp. 1081-1085.
  5. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, "A fast and elitist multiobjective genetic algorithm: NSGA-II," IEEE transactions on evolutionary computation, vol. 6, no. 2, pp. 182-197, 2002.
  6. Li and X. Yao, "Quality Evaluation of Solution Sets in Multiobjective Optimisation: A Survey."
  7. A. Van Veldhuizen and G. B. Lamont, "Evolutionary computation and convergence to a pareto front," in Late breaking papers at the genetic programming 1998 conference, 1998, pp. 221-228.
  8. Wang, Y. Jin, and X. Yao, "Diversity assessment in many-objective optimization," IEEE transactions on cybernetics, vol. 47, no. 6, pp. 1510-1522, 2017.
  9. R. Schott, "Fault Tolerant Design Using Single and Multicriteria Genetic Algorithm Optimization," AIR FORCE INST OF TECH WRIGHT-PATTERSON AFB OH, 1995.
    1. Goli, H. K. Zare, R. Tavakkoli‐Moghaddam, and A. Sadegheih, "Multiobjective fuzzy mathematical model for a financially constrained closed‐loop supply chain with labor employment," Computational Intelligence, 2019.
  10. Zhang, A. Zhou, and Y. Jin, "RM-MEDA: A regularity model-based multiobjective estimation of distribution algorithm," IEEE Transactions on Evolutionary Computation, vol. 12, no. 1, pp. 41-63, 2008.
    1. Zhou, Q. Zhang, Y. Jin, E. Tsang, and T. Okabe, "A model-based evolutionary algorithm for bi-objective optimization," in Evolutionary Computation, 2005. The 2005 IEEE Congress on, 2005, vol. 3: IEEE, pp. 2568-2575.
  11. Deb, Multi-objective optimization using evolutionary algorithms. John Wiley & Sons, 2001.
  12. Mkaouer et al., "Many-objective software remodularization using NSGA-III," ACM Transactions on Software Engineering and Methodology (TOSEM), vol. 24, no. 3, pp. 1-45, 2015.
  13. Cheng, Y. Jin, K. Narukawa, and B. Sendhoff, "A multiobjective evolutionary algorithm using Gaussian process-based inverse modeling," IEEE Transactions on Evolutionary Computation, vol. 19, no. 6, pp. 838-856, 2015.