دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Frumen Olivas, Fevrier Valdez, Oscar Castillo, Patricia Melin سری: ISBN (شابک) : 9783319708515 ناشر: Springer سال نشر: 2018 تعداد صفحات: 107 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Dynamic Parameter Adaptation for Meta-Heuristic Optimization Algorithms through Type-2 Fuzzy Logic به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب انطباق پارامتر پویا برای الگوریتم های بهینه سازی فراابتکاری از طریق منطق فازی نوع 2 نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
در این کتاب، روشی برای انطباق پارامترها در روشهای بهینهسازی فراابتکاری پیشنهاد شده است. این روش مبتنی بر استفاده از متریکها در مورد جمعیت روشهای فراابتکاری است تا از طریق یک سیستم استنتاج فازی بهترین مقادیر پارامتر را که به دقت انتخاب شدهاند برای تنظیم تصمیم بگیرند. با این اصلاح پارامترها میخواهیم مدل بهتری از رفتار روش بهینهسازی پیدا کنیم، زیرا با تغییر پارامترها، این پارامترها مستقیماً بر نحوه انجام جستجوی سراسری یا محلی تأثیر میگذارند. از سه روش بهینهسازی مختلف استفاده شد. بهبود روش پیشنهادی را تأیید کنید. در این مورد روشهای بهینهسازی عبارتند از: PSO (بهینهسازی ازدحام ذرات)، ACO (بهینهسازی کلونی مورچهها) و GSA (الگوریتم جستجوی گرانشی)، که در آن برخی از پارامترها برای تنظیم پویا انتخاب میشوند و این پارامترها بیشترین تأثیر را دارند. نتایج شبیهسازی نشان میدهد که روش پیشنهادی به هر روش بهینهسازی کمک میکند تا نتایج بهتری نسبت به نتایج بهدستآمده از روش اصلی بدون تنظیم پارامتر به دست آورد.
In this book, a methodology for parameter adaptation in meta-heuristic op-timization methods is proposed. This methodology is based on using met-rics about the population of the meta-heuristic methods, to decide through a fuzzy inference system the best parameter values that were carefully se-lected to be adjusted. With this modification of parameters we want to find a better model of the behavior of the optimization method, because with the modification of parameters, these will affect directly the way in which the global or local search are performed.Three different optimization methods were used to verify the improve-ment of the proposed methodology. In this case the optimization methods are: PSO (Particle Swarm Optimization), ACO (Ant Colony Optimization) and GSA (Gravitational Search Algorithm), where some parameters are se-lected to be dynamically adjusted, and these parameters have the most im-pact in the behavior of each optimization method.Simulation results show that the proposed methodology helps to each optimization method in obtaining better results than the results obtained by the original method without parameter adjustment.