آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,988,716
تعداد دریافت فایل اصل مقاله4,032,570
غلام نژاد, پژمان. (1400). الگوریتم تکاملی مبتنی بر مدل با استفاده از خوشه بندی فازی C-میانگین و تحلیل مولفه های اصلی. پدافند الکترونیکی و سایبری, 2(1), 1-12.
پژمان غلام نژاد. "الگوریتم تکاملی مبتنی بر مدل با استفاده از خوشه بندی فازی C-میانگین و تحلیل مولفه های اصلی". پدافند الکترونیکی و سایبری, 2, 1, 1400, 1-12.
غلام نژاد, پژمان. (1400). 'الگوریتم تکاملی مبتنی بر مدل با استفاده از خوشه بندی فازی C-میانگین و تحلیل مولفه های اصلی', پدافند الکترونیکی و سایبری, 2(1), pp. 1-12.
غلام نژاد, پژمان. الگوریتم تکاملی مبتنی بر مدل با استفاده از خوشه بندی فازی C-میانگین و تحلیل مولفه های اصلی. پدافند الکترونیکی و سایبری, 1400; 2(1): 1-12.

الگوریتم تکاملی مبتنی بر مدل با استفاده از خوشه بندی فازی C-میانگین و تحلیل مولفه های اصلی

مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی
دوره 2، شماره 1، آذر 1402، صفحه 1-12    اصل مقاله (1.05 M)
نوع مقاله: مقاله علمی-تخصصی
نویسنده
پژمان غلام نژاد*
دانشکده مهندسی رایانه و فناوری اطلاعات، دانشگاه علوم و فنون هوایی شهید ستاری
تاریخ دریافت: 16 تیر 1400،  تاریخ بازنگری: 30 مهر 1400،  تاریخ پذیرش: 17 اسفند 1400 
چکیده
ساختار عملگرها در بیشتر الگوریتم­های تکاملی چند هدفه سنتی بر اساس قوانین ثابت اکتشافی مانند تقاطع و جهش است که قادر به یادگیری ساختارها یا خصوصیات مسائل بهینه­سازی نیستند.  برای تجهیز الگوریتم­های تکاملی به توانایی­های یادگیری، اخیراً الگوریتم­های تکاملی مبتنی بر مدل ارائه‌شده است. در الگوریتم­های تکاملی مبتنی بر مدل، عملگرهای ابتکاری با مدل­های یادگیری ماشین مانند مدل­های آموزش و نمونه جایگزین می­شوند. در این مقاله یک الگوریتم تکاملی چند هدفه مبتنی بر مدل ارائه‌شده است که در آن هر نسل، یک ناحیه محتمل از فضای جستجو، به‌وسیله یک مدل احتمالی، می­شود. بر روی ناحیه محتمل در فضای جستجو، که همان نقاط غالب، با مرتبه بهتر می­باشند، خوشه­بندی یا بر اساس روش­های فازی انجام می­گیرد و یا این­که بر روی نقاط غالب با مرتبه اول، یک عملگر انتخاب مسابقه­ای ازدحام، صورت می­پذیرد تا نقاط بافاصله نزدیک به هم، حذف شوند و نتیجه حاصل به‌عنوان نقاط مرکزی خوشه­ها در نظر گرفته می­شود و سپس، خوشه­بندی بر اساس نزدیک­ترین همسایه­ها، صورت می­پذیرد. از الگوریتم تجزیه تحلیل مؤلفه‌های اصلی، که بهترین روش برای کاهش ابعاد داده به‌صورت خطی می­باشد، برای مدل­سازی، استفاده‌شده است. راه­حل­های جدید از مدل ساخته‌شده، بر اساس یک توزیع نرمال، به‌دست‌آمده می­آیند. روش پیشنهادی مورد آزمایش قرارگرفته است و نتایج حاصل از آن با روش الگوریتم­های ژنتیک مرتب­سازی نامغلوب، مقایسه شده است. نتایج نشان می­دهد که این روش سریع­تر از روش­های قبلی می­باشد و با تعداد کمتری تکرار و ارزیابی توابع، نتایج بهتری به‌دست می­آید.
کلیدواژه‌ها
عملگر انتخابی ازدحام؛ الگوریتم‌های تکاملی چند هدفه مبتنی بر مدل؛ خوشه‌بندی فازی؛ بهینه‌سازی چند هدفه؛ تحلیل مولفه‌های اساسی
عنوان مقاله [English]
A Model-Based Evolutionary Algorithm using FCM-clustering and PCA
نویسندگان [English]
Pezhman Gholamnezhad
Faculty of Computer Engineering and Information Technology, Shahid Sattari University of Aeronautical Sciences and Technology
چکیده [English]
The structure of operators in most traditional multi-objective evolutionary algorithms are based on fixed heuristics such as intersection and mutation, which are unable to learn the structures or properties of problems to create. To use evolutionary algorithms to learnability, news of evolutionary algorithms with the model is presented. In model evolutionary algorithms, innovative operators are replaced by machine learning models such as instructional and sample models. In this paper, a multi-objective evolutionary algorithm with a model is presented in which in each generation, a probable area of the search space deserves the model as a possible model. In the decision area in the search space, which are the dominant points, they are better ranked, we have clustered or different fuzzy methods, or on other points with the first order, it is a contest selection action. If you are missing, you take the form to be removed at close range, and the result is considered to be the center of the clusters, and then, clustering is done based on the nearest neighbors. The principal component analysis algorithm, which is the best method for reducing the given dimensions linearly, has been used for the models. New solutions are obtained from the model if it is a normal distribution. The proposed method is tested and the results are compared with the method of non-dominated sorting genetic algorithms. The results show that this method is faster than earlier methods and with fewer repetitions and evaluation of functions, the results are better and bold.
کلیدواژه‌ها [English]
Crowded Tournament Selection Operator, Model-based evolutionary Algorithms, Fuzzy clustering, Multi-objective optimization, PCA
مراجع

[1]     H. Ma, H. Wei, Y. Tian, R. Cheng, and X. Zhang, "A multi-stage evolutionary algorithm for multi-objective optimization with complex constraints," Information Sciences, vol. 560, pp. 68-91, 2021.##

[2]     R. Cheng, C. He, Y. Jin, and X. Yao, "Model-based evolutionary algorithms: a short survey," Complex & Intelligent Systems, vol. 4, no. 4, pp. 283-292, 2018.##

[3]     M. Laumanns and J. Ocenasek, "Bayesian optimization algorithms for multi-objective optimization," in International Conference on Parallel Problem Solving from Nature, 2002, pp. 298-307: Springer.##

[4]     P. A. Bosman and D. Thierens, "Multi-objective Optimization with the Naive $$\mathbb {M} $$ ID $$\mathbb {E} $$ A," in Towards a New Evolutionary Computation: Springer, 2006, pp. 123-157.##

[5]     M. Pelikan, K. Sastry, and D. E. Goldberg, "Multiobjective hBOA, clustering, and scalability," in Proceedings of the 7th annual conference on Genetic and evolutionary computation, 2005, pp. 663-670.##

[6]     Y. Wang, J. Xiang, and Z. Cai, "A regularity model-based multiobjective estimation of distribution algorithm with reducing redundant cluster operator," Applied Soft Computing, vol. 12, no. 11, pp. 3526-3538, 2012.##

[7]     Q. Zhang, A. Zhou, and Y. Jin, "RM-MEDA: A regularity model-based multiobjective estimation of distribution algorithm," IEEE Transactions on Evolutionary Computation, vol. 12, no. 1, pp. 41-63, 2008.##

[8]     K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, "A fast and elitist multiobjective genetic algorithm: NSGA-II," IEEE transactions on evolutionary computation, vol. 6, no. 2, pp. 182-197, 2002.##

[9]     R. Cheng, Y. Jin, K. Narukawa, and B. Sendhoff, "A multiobjective evolutionary algorithm using Gaussian process-based inverse modeling," IEEE Transactions on Evolutionary Computation, vol. 19, no. 6, pp. 838-856, 2015.##

[10]   B. Li, J. Li, K. Tang, and X. Yao, "Many-objective evolutionary algorithms: A survey," ACM Computing Surveys (CSUR), vol. 48, no. 1, pp. 1-35, 2015.##

[11]   P. D. Pantula, S. S. Miriyala, and K. Mitra, "An evolutionary neuro-fuzzy C-means clustering technique," Engineering Applications of Artificial Intelligence, vol. 89, p. 103435, 2020.##

[12]   I. Škrjanc, J. A. Iglesias, A. Sanchis, D. Leite, E. Lughofer, and F. Gomide, "Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: a survey," Information Sciences, vol. 490, pp. 344-368, 2019.##

[13]   R. Babuka, P. Van der Veen, and U. Kaymak, "Improved covariance estimation for Gustafson-Kessel clustering," in 2002 IEEE World Congress on Computational Intelligence. 2002 IEEE International Conference on Fuzzy Systems. FUZZ-IEEE'02. Proceedings (Cat. No. 02CH37291), 2002, vol. 2, pp. 1081-1085: IEEE.##

[14]   I. K. Fodor, "A survey of dimension reduction techniques," Lawrence Livermore National Lab., CA (US)2002.##

[15]   L. I. Smith, "A tutorial on principal components analysis," 2002.##

[16]   M. Li and X. Yao, "Quality Evaluation of Solution Sets in Multiobjective Optimisation: A Survey."##

[17]   D. A. Van Veldhuizen and G. B. Lamont, "Evolutionary computation and convergence to a pareto front," in Late breaking papers at the genetic programming 1998 conference, 1998, pp. 221-228.##

[18]   H. Wang, Y. Jin, and X. Yao, "Diversity assessment in many-objective optimization," IEEE transactions on cybernetics, vol. 47, no. 6, pp. 1510-1522, 2017.##

[19]   J. R. Schott, "Fault Tolerant Design Using Single and Multicriteria Genetic Algorithm Optimization," Air Force Inst Of Tech Wright-Patterson Afb Oh1995.##

[20]   A. Goli, H. K. Zare, R. Tavakkoli‐Moghaddam, and A. Sadegheih, "Multiobjective fuzzy mathematical model for a financially constrained closed‐loop supply chain with labor employment," Computational Intelligence, 2019.##

[21]   A. Zhou, Q. Zhang, Y. Jin, E. Tsang, and T. Okabe, "A model-based evolutionary algorithm for bi-objective optimization," in Evolutionary Computation, 2005. The 2005 IEEE Congress on, 2005, vol. 3, pp. 2568-2575: IEEE.##

[22]   K. Deb, Multi-objective optimization using evolutionary algorithms. John Wiley & Sons, 2001.##

[23]   W. Mkaouer et al., "Many-objective software remodularization using NSGA-III," ACM Transactions on Software Engineering and Methodology (TOSEM), vol. 24, no. 3, pp. 1-45, 2015.##

[24]   R. Asadzadeh Pourkarimi, R. Ghaffarpour , A.Khan Ahmadi, " Delay Forecast in the Control System Based on Internet Using the Meta-Heuristic Methods and Comparing Methods with each Others,"  Journal of “Innovations of Applied Information and Communication Technologies, vol. 1, no. 1, pp. 45-52, 1398.##

[25]http://bimk.ahu.edu.cn/index.phps=/Index/Softwar/index.html.##

آمار
تعداد مشاهده مقاله: 218
تعداد دریافت فایل اصل مقاله: 215