20150

COM2 557

كارشناسي ارشد

مهندسي كامپيوتر - هوش مصنوعي

مهندسي كامپيوتر

اسفند ماه 1399

110ص.

حسين كارشناس

بهينه سازي بسيار هدفه , الگوريتم هاي تخمين توزيع , تحليل مولفه هاي اصلي محلي , يادگيري برخط , ويژگي نظم , تجزيه , داده هاي وابسته

الگوريتم¬هايتكاملي يكي از روش¬هاي حل مسائل بهينه¬سازي چند هدفه هستند كه هدف آن¬ها يافتن يك مجموعه از راه حل¬هاي متنوع و همگرا شدن به نماي بهينه¬ پارتو مسئله است.در اين الگوريتم¬ها براي حل مسائل بهينه¬سازي چند هدفه و بسيار هدفه، يك مكانيسم بازتوليد مناسب جهت توليد راه حل¬هاي با كيفيت ضروري است. اما براي عملكرد بهتر الگوريتم¬ها بايد بازتوليد در كنار مكانيسم انتخابي استفاده شود كه هنگام انتخاب راه حل¬ها با مشكلات ناشي از افزايش بعد فضاي هدف برخورد كند. بر اين اساس يك الگوريتم تخمين توزيع بسيار هدفه مبتني بر تجزيه طراحي كرده¬ايمكهبا روش چبيشف مسئله بسيار هدفه را به چند زير مسئله تك هدفه تجزيهو هم¬زمان تمام زير مسائل را بهينه¬سازي مي¬كند.براي بهينه¬سازي از يك مدل احتمالي در كنار عملگرهاي ژنتيكي استفاده شده است. در اين روشبراي تمام زير مسائل يك مدل احتمالي ساخته مي¬شود كه اين مدل مبتني بر ويژگي نظم استبه اين معنيكه مجموعه پارتو اين مسائل در فضاي جستجو يك منيفلد m-1 (m تعداد اهداف) بعدي قطعه¬اي پيوسته است. بنابراين راه حل¬هاي جمعيت با يك توزيع احتمالي كه مركزش يك منيفلد m-1 بعدي است، مدل¬سازي مي-شوند.سپس براي هر زير مسئله با نمونه برداري از اين مدل يا استفاده از عملگرهاي ژنتيكي، يك راه حل توليد مي¬شود.با بهينه¬سازي هر زير مسئله همگرايي به نماي بهينه پارتو به¬دست مي¬آيدو تنوع جمعيت با يك مجموعهاز بردارهاي وزن مربوط به زير مسائل كنترل خواهدشد. الگوريتم پيشنهادي براساس ويژگي مستقل يا وابسته بودن داده¬ها كه نوع يادگيري مدل احتمالي را تعيين مي¬كند، در دو چهارچوب جدا ارائه شده و عملكرد آن¬هامقايسه شده است. با فرض مستقل بودن داده¬ها،مدل در هر نسل از ابتدا براساس كل داده¬ها به¬صورت دسته¬اي ياد گرفته مي¬شود و با فرض وابستگي داده¬ها يادگيري مدل به صورت بر خط است،¬يعني در هر نسل براساس داده¬هاي جديد به روز مي¬شود.دو الگوريتم پيشنهادي با الگوريتم¬هاي پايه و يك الگوريتم مشابه روي 5 دسته مختلف از مسائل آزمايشيمقايسه شده است.نتايجآزمايش¬ها نشان مي¬دهد كه الگوريتم پيشنهادي با داده¬هاي وابسته روي مسائل بزرگ-مقياس كه حاوي پيوند غير خطيبين متغيرها هستند و نماي پارتو آن¬ها شكل هندسي محدب دارد با افزايش تعداد اهدف تا 10، عملكرد بهتري در مقايسه با ساير الگوريتم¬ها داشته است.

1400/08/09

صديقه رمضاني

Manyobjective Optimization , Estimation of Distribution Algorithm , Online Learning , Regularity , Decomposition , Dependent data

A Many-Objective Estimation of Distribution Algorithm based on Decomposition

مهندسي هوش مصنوعي

Evolutionary algorithms are one of the methods to solve optimization problems, which aim to find a set of diverse solutions and convergence to the approximate Pareto optimal front of the problem.In these algorithms, to solve multi-objective and many-objective optimization problems, a suitable reproduction mechanism is necessary to produce quality solutions. But for better performance of the algorithm, reproduction should be used along with the selection mechanism that deals with the problems caused by increasing the dimension of the objective space while selecting solutions.Based on this, we have designed a many-objective distribution algorithm based on decomposition, which decomposes the many-objective problem into several single objective subproblems with the Chebyshev method and simultaneously optimizes these sub-problems.To optimize each subproblem, a probabilistic model is used alongside genetic operators. A probabilistic model is constructed for all the sub-problems, which is based on the regularity property.That is, the Pareto set of these problems in the search space is a piecewise continous ( m-1)-D manifold, where m is the number of objectives.thereforeItmodels population with a probabilistic distribution centered on a m-1 dimensional manifold.To build this model, the local principal component analysis algorithm is used .thenIt generates a solution for each subproblem by sampling this model or by combining two solutions with genetic operators.By optimizing each subproblem, convergence to the optimal Pareto front is guaranteed, and diversity of population will be controlled by a set of weight vectors related to the subproblems.The proposed algorithm is presented in two separate frameworks based on the independent or dependent feature of the data, which determines the type of learning of the probabilistic model, and its performance is compared.Assuming that the data is independent, the model learning is batch, ie in each generation, it is made from the beginning based on the total data. And assuming data dependence, model learning is online, ie it is updated based on new data in each generation. For the performance of the two proposed algorithms, we have tested and compared them with basic algorithms and a similar algorithm on 5 different categories of problems. the proposed algorithm with dependent data has good performance on largescale problems with nonlinear variable linkages and convex pareto front up to 10 objectives.

6