الگوریتم بهینه سازی PFA یا مسیریاب که در سال 2019 ارائه شد، برای بسیاری از علاقه مندان به بهینه سازی جالب می باشد . در این محصول ترجمه مقاله A New Meta-Heuristic Optimizer Pathfinder Algorithm ارائه شده است.
اصل مقاله را میتوانید از این لینک مشاهده کنید. و یا اگر دانلود آن از سایت اصلی برایتان سخت است میتوانید از “دانلود مقاله لاتین PathFinder” در کمترین زمان آن را دریافت کنید.
برای ارزیابی کیفیت ترجمه ، میتونید ترجمه بخش چکیده مقاله الگوریتم بهینه سازی PFA را در زیر مشاهده کنید.
چکیده لاتین مقاله PathFinder
Abstract: This paper proposes a new meta-heuristic algorithm called Pathfinder Algorithm (PFA) to solve optimization problems with different structure. This method is inspired by collective movement of animal group and mimics the leadership hierarchy of swarms to find best food area or prey. The proposed method is tested on some optimization problems to show and confirm the performance on test beds. It can be observed on benchmark test functions that PFA is able to converge global optimum and avoid the local optima effectively. Also, PFA is designed for multi-objective problems (MOPFA).
The results obtained show that it can approximate to true Pareto optimal solutions. The proposed PFA and MPFA are implemented to some design problems and a multi-objective engineering problem which is time consuming and computationally expensive. The results of final case study verify the superiority of the algorithms proposed in solving challenging real-world problems with unknown search spaces. Furthermore, the method provides very competitive solutions compared to well-known meta-heuristics in literature, such as particle swarm optimization, artificial bee colony, firefly and grey wolf optimizer.
ترجمه بخش چکیده الگوریتم فراابتکاری PFA
در این مقاله یک الگوریتم فرابتکاری جدید به نام الگوریتم پیداکننده مسیر (PFA) برای حل مسائل بهینه سازی با ساختار متفاوت ارائه شده است. این روش از حرکت جمعی گروه حیوانات الهام گرفته شده است و از سلسله مراتب رهبری توده ها (swarms) برای یافتن بهترین منطقه یا طعمه غذایی تقلید می کند.
الگوریتم و روش پیشنهادی برای ارزیابی و تایید عملکرد، بر روی برخی از مسائل بهینه سازی مختلف آزمایش شده است. در توابع تست معیار مشاهده می شود که PFA قادر به همگرا شدن به بهینه سراسری و جلوگیری از افتادن در دام بهینه سازی محلی به طور مؤثری موفق می باشد.
همچنین در ادامه ،الگوریتم PFA برای مسائل چند هدفه نیز (MOPFA) طراحی شده است ، نتایج به دست آمده نشان می دهد که MOPFA می تواند به راه حل های بهینه پارتو نزدیک باشد.
الگوریتم PFA و MPFA پیشنهادی ، برای برخی از مسائل طراحی و یک مسئله مهندسی چند هدفه که حل آنها بسیار وقت گیر و دارای بار محاسباتی بالایی است ، به کار گرفته شده اند.. نتایج مطالعه نهایی ، برتری الگوریتم های پیشنهادی در حل مسائل دنیای واقعی با فضاهای جستجوی ناشناخته را تأیید می کند.
علاوه بر این ، الگوریتم ارائه شده، راه حل های بسیار رقابتی در مقایسه با سایر الگوریتم های فراابتکاری شناخته شده در ادبیات ، از جمله بهینه سازی ذرات ذره ، کلونی زنبورهای مصنوعی ، کرم شب تاب و بهینه ساز گرگ خاکستری دارد.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.