پاورپوینت Fundamental of genetic Algorithms مسئله ی بهینه سازی با چند تابع هدف
پاورپوینت Fundamental of genetic Algorithms مسئله ی بهینه سازی با چند تابع هدف
| دسته بندی | پاورپوینت |
| فرمت فایل | ppt |
| حجم فایل | 986 کیلو بایت |
| تعداد صفحات | 43 |
دریافت فایل
نوع فایل: پاورپوینت (قابل ویرایش)
قسمتی از متن پاورپوینت :
تعداد اسلاید : 43 صفحه
Fundamental of genetic Algorithms Part 11 8/4/2018 1 مسئله ی بهینه سازی با چند تابع هدف مسئله ی بهینه سازی با چند تابع هدف معرفی
کلیات
روش های تکاملی
بررسی روش SPEA
بررسی روش NSGA 8/4/2018 2 معرفی
8/4/2018 3 معرفی بهینه سازی توابع مختلف و گاه متضاد به طور همزمان
ترکیب مقادیر توابع هدف مختلف و به دست آوردن یک مقدار برازندگی (Fitness)
مسئله به یک تابع تک هدفی تبدیل می شود.
بدست آوردن جواب هایی که حداکثر تعداد توابع هدف را بهینه کند
مجموعه جواب بهینه ی پارتو (Pareto Optimal Set). 8/4/2018 4 معرفی مجموعه جواب بهینه ی پارتو (Pareto Optimal Set)
مجموعه جواب های مسلط نشدنی در تمام فضای جستجو.
نمی توان در این دو مجموعه بین دو جواب مختلف یکی را به دیگری برتری داد.
الگوریتم سعی در رسیدن به جواب مختلف بهینه ی پارتو دارد. 8/4/2018 5 معرفی دو اصل مهم برای بهینه سازی با چند تابع هدف:
هدایت مسیر جستجو در جهت رسیدن به منحنی جواب های بهینه پارتو
حفظ و تولید جواب های بهینه در طول جمعیت جواب ها
8/4/2018 6 معرفی روش های قدیمی دارای اشکالات زیر هستند:
عدم پیدا کردن چندین جواب بهینه در طی یک بار اجرای الگوریتم
عدم تضمین برای یافتن جواب های بهینه مختلف و متفاوت
نمی توان برای مسائلی با متغیرهای گسسته و دارای چندین جواب بهینه به کار برد
8/4/2018 7 بهینه سازی با چند تابع هدف
8/4/2018 8 بهینه سازی با چند تابع هدف Maximaze y = f(x) = (f1(x) f2(x) … fk(x))
Subject to e(x) = (e1(x) e2(x) … em(x))
Where x = (x1 x2 … xn) X
y = (y1 y2 … yk) Y
X: بردار تصمیم گیری با پارامترهای مورد جستجو در مســـئله (Dicision Vector)
X: فضای تصمیم گیری (Dicision Space)
Y: فضای هدف (Objective Space) 8/4/2018 9 بهینه سازی با چند تابع هدف مجموعه ممکن(Feasible Set) : مجموعه متغیرهای قابل قبول برای مسئله
Xf = {x X | e(x) ≤ 0}
محدوده ممکن (Feasible Region):
Yf = f(Xf) = Ux Xf {f(x)} 8/4/2018 10 بهینه سازی با چند تابع هدف u و v دو بردار هدف مربوط به دو بردار تصمیم گیری:
u = v iff i {1 2 … k} ui = v
u ≥ v iff I {1 2 … k} ui ≥ vi
u > v iff u ≥ v ^ u ≠ v 8/4/2018 11 بهینه سازی با چند تابع هدف غلبه پارتو:
سه حالت وجود دارد:
f(a) ≥ f(b)
f(b) ≥ f(a)
f(a) ≥ f(b) ^ f(b) ≥ f(a)
a > b a dominates b iff f(a) > f(b)
a ≥ b a weakly dominates b iff f(a) ≥ f(b)
a ~ b a is indifferent b iff f(a) ≥ f(b) ^ f(b) ≥ f(a)
8/4/2018 12 مجموعه و منحنی جوابهای مسلط نشدنی a Xf is Non-Dominated iff S Xf| x S :x>a
a is Pareto Optimal iff x is Non-Dominated regarding S = Xf 8/4/2018 13 مجموعه و منحنی جواب های مسلط نشدنی x1 را بر x2 غالب می دانیم اگر:
f1(x1) ≥ f1(x2) for all objective
f1(x1) > f1(x2) for at least one
تابع P(S):
P(S) = {a S S Xf| a is NonDominated regarding S}
P(S) تمام جواب های مسلط نشدنی را نسبت به مجموعه S باز می گرداند.
f(P(S)) منحنی مسلط نشدنی نسبت به زیر مجموعه S می باشد.
Xp = P(Xf) مجموعی بهینه پارتو است.
Yp = f(Xf) منحنی بهینه پارتو است.
8/4/2018 14 تفاوت میان مجموعه مسلط نشدنی و بهینه پارتو مجموعه جواب مسلط نشدنی در قسمتی از فضای جستجو نسبت به جوابهای دیگر بهینه است، اگر قسمت انتخاب شده برابر کل فضای جستجو باشد مجموعه مسلط نشدنی تبدیل به مجموعه بهینه پارتو می شود.
8/4/2018 15 انتساب مقدار برازندگی و مرحله انتخاب بر خلاف بهینه سازی با یک تابع هدف، در MOP بین مقادیر هر تابع هدف و مقدار برازندگی تفاوت وجود دارد:
روش هایی که توابع هدف را از یکدیگر مستقل فرض می نمایند
روش هایی که جهت حفظ پراکندگی در جمعیت جواب ها به کار برده می شوند 8/4/2018 16 مسائل اساسی در جستجو با چند تابع هدف دو نکته اساسی در الگوریتمهای تکاملی را باید درنظر گرفت تا بتوان روشهای بهینه سازی چندتابعی …
توجه: متن بالا فقط قسمت کوچکی از محتوای فایل پاورپوینت بوده و بدون ظاهر گرافیکی می باشد و پس از دانلود، فایل کامل آنرا با تمامی اسلایدهای آن دریافت می کنید.
