Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2004

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Algorytmy mrówkowe dla kwadratowego zadania przydziału

Osyczka A., Adamowicz M., Łącki Ł., Matzka A., Mazgaj J.

Zagadnienia Techniczno-Ekonomiczne

2004

T. 49, z. 1-2

153-161

W pracy zajęto się wykorzystaniem algorytmów mrówkowych do rozwiązania kwadratowego zadania przydziału. Omówiono ideę algorytmów mrówkowych. Sformułowano problem kwadratowego zadania przydziału oraz zaproponowano system mrówkowy do rozwiązania tego problemu. Opisano opracowany program komputerowy umożliwiający realizację trzech wersji algorytmów mrówkowych. Przedstawiono wyniki obliczeń komputerowych dla typowych zadań przydziału.

In the paper ant colony algorithms are applied to solve quadratic assignment problem. First. the general idea of ant colony algorithms is presented. Then, quadratic assignment problem is formulated and the method of solution of this problem is proposed. The computer program for this method is described. Three versions of ant colony algorithms are implemented in this program. Finally, the results of typical test problems are provided.

Some methods for multicriteria design optimization using evolutionary algorithms

Osyczka A., Krenich S.

Journal of Theoretical and Applied Mechanics

2004

Vol. 42 nr 3

565-584

In this paper new multicriteria design optimization methods are discussed. These methods are evolutionary algorithm based medhods, and their aim is to make the process of generating the Pareto front very effective. Firstly, the multistage evolutionary algorithm method is presented. In this method, in each stage only a bicriterion optimization problem is solved and then an objective function is transformed to the constrain function. The process is repeatedtill all the objective functions are considered. Secondly, the preference vector method is presented. In this method, an evolutionary algorithm finds the ideal vector. This vector provides the decision maker with the information about possible ranges of the objective functions. On the basis of this information the decision maker can establish the preference vector within which he expects to find a preferred solution. For this vector, a set of Pareto solutions is generated using an evolutionary algorithm based method. Finally, the method for selecting a representative subset of Pareto solutions is discussed. The idea of this method consists in reducing the set of Pareto optimal solutions using the indiscrenibility interval method after running a certain number of generations. To show how the methods discussed work each of them in turn is applied to solve a design optimization problem. These examples show clearly that using the proposed methods the computation time can be reduced significantly and that the generated solutions are still on the Pareto front.

W artykule przedstawiono nowe metody optymalizacji wielokryterialnej w projektowaniu technicznym. Metody te oparte są na algorytmach ewolucyjnych, a ich celem jest znaczne zwiększenie efektywności procesu generowania rozwiązań Pareto optymalnych. Najpierw zaprezentowano metodę wieloetapowego algorytmu ewolucyjnego. W metodzie tej na każdym etapie realizowany jest jedynie problem optymalizacji dwukryterialnej, po rozwiązaniu którego jedna z funkcji celu jest przekształcana do postaci ograniczenia. Proces ten jest powtarzany aż do momentu rozpatrzenia wszystkich funkcji celu. Następnie omówiono metode wektora preferencji. W metodzie tej w pierwszym etapie algorytm ewolucyjny znajduje wektor idealny. Wektor ten dostarcza decydentowi informacji o możliwym zasięgu wszystkich funkcji celu. Na podstawie tej informacji decydent może oszacować wektor preferencji, wewnątrz którego spodziewa się znaleźć preferowane rozwiązanie. Dla tego wektora preferencji generowany jest za pomocą algorytmu ewolucyjnego zbiór rozwiązań Pareto optymalnych. Ostatnią z omawianych metod jest metoda redukcji zbioru rozwiązań Pareto optymalnych po przebiegu założonej liczby generacji realizowanych przez algorytm ewolucyjny. W celu pokazania sposobu działania omawianych metod, kazda z nich została zilustrowana innym przykładem zadania optymalnego projektowania. Przykłady te wskazują, że zaproponowane metody mogą znacząco zredukować czas obliczeń komputerowych nie pogarszając wyników.