پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,960,973 |
| تعداد دریافت فایل اصل مقاله | 89,634,522 |
Evaluating the Effects of Parameters Setting on the Performance of Genetic Algorithm Using Regression Modeling and Statistical Analysis | ||
| Advances in Industrial Engineering | ||
| مقاله 6، دوره 45، Special Issue - شماره پیاپی 626033، اسفند 2011، صفحه 61-68 اصل مقاله (125.04 K) | ||
| نویسندگان | ||
| Marziyeh Hasani Doughabadi؛ Hossein Bahrami؛ Farhad Kolahan | ||
| چکیده | ||
| Among various heuristics techniques, Genetic algorithm (GA) is one of the most widely used techniques which has successfully been applied on a variety of complex combinatorial problems. The performance of GA largely depends on the proper selection of its parameters values; including crossover mechanism, probability of crossover, population size and mutation rate and selection percent. In this paper, based on Design of Experiments (DOE) approach and regression modeling, the effects of tuning parameters on the performance of genetic algorithm have been evaluated. As an example, GA is applied to find a shortest distance for a well-known travelling salesman problem with 48 cities. The proposed approach can readily be implemented to any other optimization problem. To develop mathematical models, computational experiments have been carried out using a 4-factor 5-level Central Composite Design (CCD) matrix. Three types of regression functions models have been fitted to relate GA variables to its performance characteristic. Then, statistical analyses are performed to determine the best and most fitted model. Analysis of Variance (ANOVA) results indicate that the second order function is the best model that can properly represent the relationship between GA important variables and its performance measure (solution quality). | ||
| کلیدواژه‌ها | ||
| ANOVA؛ Design of experiments؛ Genetic algorithm؛ optimization؛ Regression modeling | ||
| عنوان مقاله [English] | ||
| ارزیابی تاثیرات مقادیر پارامترهای تنظیمی بر عملکرد الگوریتم ژنتیک با استفاده از مدلسازی رگرسیونی و تحلیل‌های آماری | ||
| نویسندگان [English] | ||
| Marziyeh Hasani Doughabadi؛ Hossein Bahrami؛ Farhad Kolahan | ||
| چکیده [English] | ||
| الگوریتم ژنتیک، درمیان روش‌های ابتکاری، یکی از پرکاربردترین روش‌های بهینه سازی است که در گستره وسیعی از مسائل پیچیده بهینه سازی، بصورت موفقیت آمیزی بکاررفته است. عملکرد الگوریتم ژنتیک تا حد زیادی وابسته به انتخاب مناسب سطوح پارامترهای تنظیمی آنست که شامل مکانیزم تقاطع، احتمال تقاطع ، اندازه جمعیت، نرخ جهش و درصد انتخاب میباشد. در این تحقیق، بر اساس رویکرد طراحی آزمایشات و مدلسازی رگرسیونی، تاثیرات پارامترهای تنظیمی بر عملکرد الگوریتم ژنتیک ارزیابی شده است. به‌عنوان مطالعه موردی، الگوریتم ژنتیک برای حل یکی از مسائل الگوی شناخته شده "فروشنده دوره‌گرد" مشتمل بر 48 شهر، پیاده سازی شده است. رویکرد پیشنهادی در این پژوهش، به-سادگی قابل پیاده‌سازی بر روی سایر مسائل بهینه‌سازی میباشد. برای طراحی مدل‌های ریاضی، محاسبات کامپیوتری بر اساس ماتریس مرکب مرکزی 4 عاملی - 5 سطحی اجرا شده‌اند. به‌منظور ایجاد ارتباط بین متغیرهای تنظیمی الگوریتم ژنتیک و معیار عملکردی آن، سه نوع تابع رگرسیونی بر داده‌های محاسباتی برازش داده شد. سپس، تحلیل‌های آماری بر روی مدل‌ها انجام پذیرفته تا بهترین مدل تعیین گردد. نتایج آنالیز واریانس دلالت بر این دارد که تابع درجه دوم بهترین و منطبق‌ترین مدل بوده و می‌تواند رابطه متغیرهای مهم الگوریتم ژنتیک و معیار عملکردی (کیفیت جواب نهایی) آن را به‌درستی ارائه نماید.. | ||
| کلیدواژه‌ها [English] | ||
| آنالیز واریانس, الگوریتم ژنتیک, بهینه‌سازی, طراحی آزمایشات, مدلسازی رگرسیونی | ||
|
آمار تعداد مشاهده مقاله: 3,617 تعداد دریافت فایل اصل مقاله: 3,792 |
||