عنوان المقالة: المؤتمر العالمي الخامس لعلوم الفيزياء والمواد المتقدمه PAM 2023, Fifth International Conference on Physics and Advanced Materials PAM 2023,
في مختلف المعايير ومخاوف التحسين متعددة الأهداف في العالم الحقيقي ، أثبتت الخوارزميات التطورية متعددة الأهداف أنها تم تنفيذها بشكل جيد. ومع ذلك ، قد تواجه الخوارزميات التطورية متعددة الأهداف (MOEAs) عدة مشاكل في حل آلاف المتغيرات لمشاكل تحسين البيانات الكبيرة. يعرض السيناريو الأول تقنية جديدة تستند إلى خوارزمية البحث عن الجاذبية متعددة الأهداف ، أي خوارزمية البحث التخريبية (GSA) ، لحل مشكلة تحسين هدف واحد استنادًا إلى المعلمة من 0 إلى 1 لإصلاح المشكلة يقترح هذا الاستطلاع السيناريو : خوارزمية بحث جاذبية موضوعية واحدة ، خوارزمية بحث جاذبية متعددة الأغراض ومحاكاة. يؤدي عدم وجود نظام استفسار قريب إلى زيادة تعزيز البحث ، على الرغم من أن التنوع لا يزال مرتفعًا وسهل التكوين. يتم تقييم MO-GSA باستخدام تقنية التقييم المكونة من ثلاثة أجزاء (1) التي تصف معايير MO-GSA (غير مقيدة) ، من أجل تحديد كفاءة الخوارزمية ، (3) تقييم أداء الخوارزمية باستخدام متوسط الانحرافات المعيارية ، نقطة MOGS ، و (3) تقييم الخوارزمية. تؤكد النتائج ومناقشة التحسينات أن خوارزمية MO-GSA تتنافس بشكل جيد مع أحدث الأساليب الاستكشافية والمعيارية. الكلمات الرئيسية: خوارزميات خوارزميات Meta-Heuristic و BAT و TOPSIS و GSA.
الملخص الانجليزي
On various benchmarks and real-world multi-objective optimisation concerns, multi-objective evolutionary algorithms have proven to be well implemented. However, multi-objective evolutionary algorithms (MOEAs) could have several trouble solving thousands of variables for large data optimization problems. The first scenario presents a new technique based on the multi-objective gravity search algorithm i.e.gravetational search algorithm ( GSA), to resolve a single-objective optimisation problem based on the parameter 0 to 1 in order to fix the problem this survey suggests the scenario: a single objective gravity search algorithm, multi-objective gravitational search algorithm and a simulation. The absence of a nearby inquiry system rises the strengthening of search, although the diversity remains high and easily configured. MO-GSA is evaluated using the three-part evaluation technique (1) describes MO-GSA 's benchmarking (unconstrained), in order to determine the algorithm's efficiency, (3) evaluate the algorithm performance using mean, standard deviations, point of the MOGS, and (3) evaluate the algorithm. The findings and the discussion of optimizations confirm that the MO-GSA algorithm is competing well with state-of-the-art meta-heuristic and standard approaches. Main Words: algorithms for Meta-Heuristic, BAT, TOPSIS and GSA algorithms.
منار ناجي غايب | Manar Naji Ghayyib | 2679