دانلود ترجمه مقاله DGSAپنج‌شنبه 24, مه 2018

ترجمه مقاله ای با عنوان “الگوریتم جستجو گسسته گرانشی برای حل مساله کوله پشتی DGSA: ‎”

دانلود فایل انگلیسی مقاله از طریق لینک روبرو : دانلود فایل اصلی

این مقاله در حوزه هوش مصنوعی می باشد.ترجمه کامل به همراه یک فایل پاورپوینت جهت ارائه برای دانلود قرار داده شده است.

این مقاله توسط تیم همیارپروژه بصورت روان ترجمه شده است و آماده استفاده شما عزیزان می باشد
چکیده ترجمه شده مقاله را میتوانید در زیر مشاهده کنید :

چکیده:  مساله ۰-۱ کوله پشتی یکی از مسایل کلاسیک NP-hard است. این یک مسئله باز در مشکلات بهینه سازی گسسته است که در کاربردهای واقعی نقش مهمی دارد. بنابراین، برای حل آن، چندین الگوریتم توسعه داده شده است. الگوریتم جستجو گرانشی (GSA) یک الگوریتم بهینه سازی بر اساس قانون گرانش و تعاملات توده ای است. در GSA، عوامل جستجوگر مجموعه ای از توده ها هستند که با یکدیگر در ارتباط با گرانش نیوتنی و قوانین حرکت می کنند. در این الگوریتم موقعیت عوامل را می توان به عنوان راه حل در نظر گرفت. GSA یک الگوریتم الهام گرفته از طبیعت است که از آن برای پیدا کردن ارزش مطلوب توابع پیوسته استفاده می شود. این مقاله یک نسخه گسسته از GSA (DGSA) را برای حل مسئله  ۰-۱ کوله پشتی معرفی می کند. در این راستا، ما یک رویکرد گسسته را برای به روز رسانی موقعیت هر عامل معرفی می کنیم. علاوه بر این، یک تابع تناسب برای مشکل  کوله پشتی۰-۱ پیشنهاد داده شده است. نتایج تجربی ما اثربخشی DGSA را در مقایسه با سایر الگوریتم های مشابه از لحاظ دقت و غلبه بر نقص همگرایی محلی نشان می دهد.

کلمات کلیدی کوله پشتی، الگوریتم جستجوی گرانشی، بهینه سازی گسسته

1. مقدمه

مساله کوله پشتی ۰-۱ یکی از مشکلات بهینه سازی کلاسیک NP-hard است. این مورد شامل یک کوله پشتی با مرز محدودیت و مجموعه ای از موارد است ، که هر یک با یک جفت وزن و یک مقدار همراه است. برای حل این مشکل به معنی پیدا کردن مجموعه ای از اقلام که وزن کلی کمتر یا برابر مرز کوله پشتی است و ارزش کل به اندازه بزرگتزین ارزش  است. نام آن را از مساله ای که شخصی برای پیدا کردن بهترین ارزش با میزان وزن برای یک کوله پشتی ثابت اندازه گیری شده است و باید آن را با مواردی که مفید باشد پر کند ( Kellerer  و همکاران ۲۰۰۴ ) نام گذاری کرده اند .

مساله کوله پشتی در برنامه های کاربردی متعددی در نظریه و همچنین در دنیای واقعی مانند مشکل انتخاب پروژه (Mavrotas و همکاران ۲۰۰۸)، مشکل بودجه بندی سرمایه (Bas 2011) و غیره به کار گرفته شده است. به تازگی، بسیاری از الگوریتم های تکاملی و اکتشافی برای حل مساله کوله پشتی ۰-۱ مورد استفاده قرار گرفته اند. بعضی از آنها در زیر ذکر شده است: موسویان از الگوریتم رقابت های لیگ فوتبال (SLC) را به کار گرفت (Moosavian 2015)، و Bhattacharjee یک الگوریتم جهش قورباغه (Bhattacharjee و Sarmah 2014) را پیشنهاد کرد، ژانگ  الگوریتم ارگانیسم آمیبوئید (Zhang و همکاران ۲۰۱۳) اصلاح شده را چیشنهاد داد و  زو یک الگوریتم جستجوی جدید و هماهنگ جهانی (Zou و همکاران ۲۰۱۱) را مد نظر قرار داد ، لئو با پیشنهاد یک بهینه سازی ذرات دودویی و با استفاده از استراتژی چند جهش (MMBPSO)را ارائه داد  (Li و Li 2009)، لین با استفاده از الگوریتم ژنتیک (GA) (Lin 2008 (Shi 2006) بهینه سازی Colony مورچه را تغییر داد (Shi 2006)، لیو یک الگوریتم تکاملی الگویی (SGEA) را پیشنهاد داد (لیو و لیو ۲۰۰۹) و لیو بهبود الگوریتم شبیه سازی آنیل (SA) (Liu و همکاران ۲۰۰۶) را برای حل مساله پیچیده کوله پشتی  ۰-۱ پیشنهاد دادند .

دوستان جهت دانلود کامل ترجمه این مقاله و پاورپوینت آن باید آن را از طریق لینک زیر به سبد خرید خود اضافه کنید.