بهبود الگوریتم کلونی زنبور مصنوعی هیبرید چند هدفه که با پرواز لوی و خود سازگاری برای ابر ایجاد کننده ی ترکیب سرویس

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بهبود الگوریتم کلونی زنبور مصنوعی هیبرید چند هدفه که با پرواز لوی و خود سازگاری برای ابر ایجاد کننده ی ترکیب سرویس

عنوان لاتین

Multi-objective hybrid artificial bee colony algorithm enhanced with L´evy flight and self-adaption for cloud manufacturing service composition

ترکیب خدمات و انتخاب بهینه (SCOS) یک مساله ی کلیدی در ایجاد ابر است (CMfg). مطالعه ی جاری یک الگوریتم کلونی زنبور هیبرید چند هدفه را ارائه داده است که به منظور بررسی مساله ی SCOS با در نظر گرفتن کیفیت خدمات (QoS) و مصرف انرژی می پردازد، که در آن یک راه حل بهبود یافته معادله را با ابعاد متفاوت انحراف که به منظور بکار گرفتن در الگوریتم زنبور عسل انتخاب شده است، بروزرسانی می کند. به همین ترتیب یک جستجوی فاخته نشات گرفته از پرواز لوی به منظور استفاده در فاز ناظر الگوریتم زنبور به منظور غلبه بر مشکلات کلونی زنبور اولیه (ABC) مانند بهره وری ضعیف و همگرایی آهسته بکار گرفته شده است. بعلاوه یک استرتژی انتخاب پارامتر نیز به منظور تنظیم نرخ انحراف و سایز گام پرواز لوی برای بهبود کارآیی الگوریتم اعمال شده است. الگوریتم پیشنهادی روی 21 مساله ی معیار چندهدفه تست شده است و با چهار الگوریتم چندهدفه ی جدید مقایسه شده است. تاثیر استراتژی های بهبود از نظر آزمایشاتی تایید شده است. در نهایت HABC برای حل مساله های SCOS چند مقیاسه اعمال شده است که این با استفاده از آزمایشات قیاسی انجام شده است که منجر به نتایج قیاسی بیشتری می شود.

Service composition and optimal selection (SCOS) is a key problem in cloud manufacturing (CMfg). The present study proposed a multi-objective hybrid artificial bee colony (HABC) algorithm to address the SCOS problem in consideration of both quality of service (QoS) and energy consumption, to which an improved solution update equation with multiple dimensions of perturbation was adopted in the employed bee phase. Likewise, a cuckoo search-inspired L´evy flight was employed in the onlooker bee phase to overcome basic artificial bee colony (ABC) drawbacks such as poor exploitation and slow convergence. Moreover, a parameter adaptive strategy was applied to adjust the perturbation rate and step size of the L´evy flight to improve the performance of the algorithm. The proposed algorithm was first tested on 21 multi-objective benchmark problems and compared with four other state-of-the-art multi-objective evolutionary algorithms (MOEAs). The effect of the improvement strategies was then experimentally verified. Finally, the HABC was applied to solve multiscale SCOS problems using comparison experiments, which resulted in more competitive results and outperformed other MOEAs.