این پروژه که با زبان برنامه نویسی متلب نوشته شده است یک
مقاله IEEE با عنوان
A Multiobjective Optimization-Based Evolutionary Algorithm for Constrained
Optimization را پیاده سازی میکند. این پروژه
الگوریتم بهینه سازی شده چند هدفه را مبتنی بر الگوریتم های تکاملی بصورت ژنتیک
پیاده سازی میکند.
کلیه سورس های نوشته شده دارای کامنت گذاری بوده و تنها
کافیست جهت ارائه به استاد مطالعه بروی مقاله ی پیاده شده و کدهای نوشته شده داشته
باشید.
در قسمت "دانلود دمو" میتوانید مقاله پیاده سازی
شده را دانلود کنید.
این پروژه از چندین تابع تشکیل شده است که عبارتند از :
·
crossover.m : در این تابع
کدهای مربوط به ترکیب در الگوریتم ژنتیک نوشته شده است.
·
fitness.m : فیت نس مربوط
به الگوریتم ژنتیک نیز در قالب این اسکریپت یا متد نوشته شده است.
·
و ...
چکیده لاتین مقاله به صورت ذیل میباشد :
A considerable number of constrained optimization evolutionary
algorithms (COEAs) have been proposed due to
increasing interest in solving constrained optimization problems (COPs) by evolutionary algorithms (EAs). In this paper, we first review existing COEAs. Then, a novel EA for constrained
optimization is presented. In the process of
population evolution, our algorithm is based on
multiobjective optimization techniques, i.e., an
individual in the parent population may be replaced if it is dominated by a nondominated individual in the offspring
population. In addition, three models of a
population-based algorithm-generator and an infeasible
solution archiving and replacement mechanism
are introduced. Furthermore, the simplex crossover is used as a recombination operator to enrich the exploration and exploitation abilities of the approach proposed. The new approach is
tested on 13 well-known benchmark functions, and the empirical evidence suggests that it is robust, efficient, and generic when
handling linear/nonlinear equality/inequality constraints. Compared
with some other state-of-the-art algorithms, our algorithm
remarkably outperforms them in terms of the
best, mean, and worst objective function values and
the standard deviations. It is noteworthy that
our algorithm does not require the transformation of equality constraints into inequality constraints.