This paper presents a new stochasti

This paper presents a new stochastic local search algorithm known as feasible–infeasible search procedure (FISP) for constrained continuous global optimization. The proposed procedure uses metaheuristic strategies for combinatorial optimization as well as combined strategies for exploring continuous spaces, which are applied to an efficient process in increasingly refined neighborhoods of current points. We show effectiveness and efficiency of the proposed procedure on a standard set of 13 well-known test problems. Furthermore, we compare the performance of FISP with SNOPT (sparse nonlinear optimizer) and with few successful existing stochastic algorithms on the same set of test problems.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้ได้นำเสนอวิธีการค้นหาใหม่สุ่มท้องถิ่นที่รู้จักกันเป็นขั้นตอนการค้นหาความเป็นไปได้-infeasible (fisp) สำหรับการเพิ่มประสิทธิภาพระดับโลกอย่างต่อเนื่องข้อ จำกัด ขั้นตอนที่นำเสนอใช้กลยุทธ์สำหรับการเพิ่มประสิทธิภาพ metaheuristic combinatorial เช่นเดียวกับกลยุทธ์การทำงานร่วมกันสำหรับการสำรวจพื้นที่อย่างต่อเนื่องซึ่งจะถูกนำไปใช้กับกระบวนการที่มีประสิทธิภาพในละแวกใกล้เคียงที่กลั่นขึ้นจากจุดปัจจุบัน เราจะแสดงประสิทธิภาพและประสิทธิผลของกระบวนการที่นำเสนอในชุดมาตรฐานจาก 13 ที่รู้จักกันดีทดสอบปัญหา นอกจากนี้เราเปรียบเทียบประสิทธิภาพการทำงานของ fisp กับ snopt (เพิ่มประสิทธิภาพเชิงเบาบาง) และเพียงไม่กี่ขั้นตอนวิธีการสุ่มที่ประสบความสำเร็จที่มีอยู่ชุดเดียวกันของปัญหาการทดสอบ

ผลลัพธ์ (ไทย) 2:

เอกสารนี้แสดงขั้นตอนการวิธีค้นหาท้องถิ่นแบบเฟ้นสุ่มใหม่เรียกว่าขั้นตอนการค้นหา feasible–infeasible (FISP) สำหรับการปรับระดับโลกอย่างต่อเนื่องมีข้อจำกัด ขั้นตอนการนำเสนอใช้ metaheuristic กลยุทธ์สำหรับการปรับปัญหา ตลอดจนรวมกลยุทธ์สำหรับการสำรวจพื้นที่อย่างต่อเนื่อง ซึ่งจะใช้กับกระบวนการมีประสิทธิภาพมากขึ้นกลั่นละแวกใกล้เคียงจุดปัจจุบัน เราแสดงประสิทธิผลและประสิทธิภาพของกระบวนการนำเสนอปัญหาทดสอบชื่อดัง 13 ชุดมาตรฐาน นอกจากนี้ เราเปรียบเทียบประสิทธิภาพของ FISP กับ SNOPT (ไม่เชิงเส้นเพิ่มประสิทธิภาพบ่อ) และไม่ประสบความสำเร็จอยู่แบบเฟ้นสุ่มกระบวนในชุดเดียวกันทดสอบปัญหา

ผลลัพธ์ (ไทย) 3:

เอกสารนี้จะอธิบายถึงอัลกอริธึมการค้นหาในท้องถิ่น,แบบใดก็ได้ทั้งหมดรองรับงานใหม่ที่รู้จักกันในชื่อตามขั้นตอนการค้นหาเป็นไปได้ - infeasible ( fisp )สำหรับการปรับแต่งจำกัดระดับโลกอย่างต่อเนื่อง ขั้นตอนที่เสนอจะใช้กลยุทธ์ metaheuristic สำหรับการปรับแต่ง combinatorial และกลยุทธ์รวมสำหรับการสำรวจพื้นที่อย่างต่อเนื่องซึ่งจะถูกนำไปใช้ในการดำเนินการอย่างมี ประสิทธิภาพ ที่ดีมากขึ้นในเขตพื้นที่ของจุดในปัจจุบัน เราแสดงให้เห็น ประสิทธิภาพ และประสิทธิผลของกระบวนการเสนอที่ตั้งค่ามาตรฐานของ 13 ปัญหาการทดสอบที่มีชื่อเสียง ยิ่งไปกว่านั้นเราเปรียบเทียบ ประสิทธิภาพ ของ fisp พร้อมด้วย snopt (ปรับ ประสิทธิภาพ nonlinear บาง)และพร้อมด้วยอัลกอริธึม,แบบใดก็ได้ทั้งหมดรองรับงานประสบความสำเร็จที่มีอยู่จำนวนมากในชุดเดียวที่มีปัญหาการทดสอบ