چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008100 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
747 Kb
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
یک روش فرا ابتکاری برای ایجاد خودکار عملگرهای جهش در برنامهنویسی تکاملی
عنوان انگليسي
A Hyper-heuristic Approach to Automated Generation of Mutation Operators for Evolutionary Programming
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 39 صفحه انگلیسی به صورت پی دی اف و 27 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
برنامهنویسی تکاملی می‌تواند به حل مسائل بهینه‌سازی جعبه سیاه و آن هم با مورد تکامل قرار دادن جمعیتی از بردارهای عددی بپردازد. مؤلفه‌ی تغییر در فرآیند تکاملی می‌تواند به وسیله‌ی یک عملگر جهش که یک عملگر گاوسی بوده و از توزیع احتمالاتی Levy تبعیت می‌کند انجام شود. در این مثال از برنامهنویسی ژنتیکی برای ایجاد خودکار عملگرهای جهش برای سیستم برنامهنویسی تکاملی استفاده می‌کنیم. این روش پیشنهادی را بر روی مجموعه‌ای از کلاس‌های عملیاتی که منبعی از توابع می‌باشند اجرا نموده‌ایم. نتایج تجربی که از روی یک مجموعه از کلاس‌های عملیاتی بنچ مارک به دست آمده است نشان می‌دهد که برنامهنویسی ژنتیکی می‌تواند عملگرهای جهش را که قابلیت تعمیم خوبی بر روی مجموعه‌ی آموزشی و مجموعه‌ی تست هر کلاس عملیاتی دارند مورد تکامل قرار دهد. روش پیشنهادی از عملکرد بهتری نسبت به عملگرهای جهشی که توسط انسان ها طراحی شده است برخوردار بوده و در اغلب موارد نتایج بسیار قابل ملاحظه‌ای را به دست آورده است.
1-مقدمه
بهینه‌سازی تابع جعبه سایه را می‌توان به عنوان فرآیند پیدا کردن بهینه‌ای برای یک تابع هدف دانست. ما هیچ دسترسی به شکل تحلیلیِ این تابع نداریم. در این مقاله، از برنامهنویسی تکاملی (EP) [1] استفاده می‌کنیم. با برنامهنویسی تکامل می‌توان یک جمعیت از بردارهای ورودی با مقدار عددی را برای یک تابع مورد تکامل قرار داد. این تکنیک به طور گسترده در مسائل واقعی بکار گرفته می‌شود [2,3,4]. با توجه به اینکه EP از یک مبنای تکاملی تبعیت می‌کند، هر بردار باید فرآیندهای گزینش، تکامل و جهش را پشت سر بگذارد، با این استثنا که بردارهای fitter را بتوان به دست آورد...
برنامهنویسی تکاملی برنامهنویسی ژنتیکی طراحی اتوماتیک
:کلمات کلیدی
Abstract
Evolutionary programming can solve black-box function optimisation problems by evolving a population of numerical vectors. The variation component in the evolutionary process is supplied by a mutation operator, which is typically a Gaussian, Cauchy, or L ́evy probability distribution. In this paper, we use genetic programming to automatically generate mutation operators for an evolutionary programming sys-tem, testing the proposed approach over a set of function classes, which represent a source of functions. The empirical results over a set of benchmark function classes illustrate that genetic programming can evolve mutation operators which generalize well from the training set to the test set on each function class. The proposed method is able to outperform existing human designed mutation operators with statistical significance in most cases, with competitive results observed for the rest.
Keywords:
Evolutionary programming Genetic programming Automatic design
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه برنامهنویسی