[PDF][PDF] A comparative study of multi objective optimization algorithms for a cellular automata model
Revista Mexicana de Ingeniería Química, 2019•lirias.kuleuven.be
Los modelos de autómatas celulares (CA) pueden representar sistemas dinámicos que son
discretos en el espacio y el tiempo, que reflejan el efecto de parámetros intrínsecos en los
que se considera que los eventos individuales ocurren de forma aleatoria. Un modelo de
CA de la cinética química de dos agentes se ha optimizado anteriormente utilizando NSGA-
II basado en el algoritmo evolutivo (AE). Sin embargo, la naturaleza estocástica del modelo
CA junto con su alta sensibilidad en los parámetros del modelo, requiere una investigación …
discretos en el espacio y el tiempo, que reflejan el efecto de parámetros intrínsecos en los
que se considera que los eventos individuales ocurren de forma aleatoria. Un modelo de
CA de la cinética química de dos agentes se ha optimizado anteriormente utilizando NSGA-
II basado en el algoritmo evolutivo (AE). Sin embargo, la naturaleza estocástica del modelo
CA junto con su alta sensibilidad en los parámetros del modelo, requiere una investigación …
Los modelos de autómatas celulares (CA) pueden representar sistemas dinámicos que son discretos en el espacio y el tiempo, que reflejan el efecto de parámetros intrínsecos en los que se considera que los eventos individuales ocurren de forma aleatoria. Un modelo de CA de la cinética química de dos agentes se ha optimizado anteriormente utilizando NSGA-II basado en el algoritmo evolutivo (AE). Sin embargo, la naturaleza estocástica del modelo CA junto con su alta sensibilidad en los parámetros del modelo, requiere una investigación exhaustiva utilizando diferentes algoritmos de optimización. Para el propósito mencionado en este estudio, se han considerado cuatro populares algoritmos de optimización desarrollados recientemente, llamados NSGA-IIr, NSGA-IIa, AbYSS y MOEA/D; dichos algoritmos están basados en AE así como en varios parámetros de medición del rendimiento. El estudio también compara el rendimiento de los algoritmos para diferentes esfuerzos computacionales, con el objetivo de minimizar el número requerido de evaluaciones de funciones objetivas. Los resultados de la simulación y la prueba estadística de Friedman muestran a NSGA-IIa ya NSGA-IIr como las mejores opciones para optimizar el modelo de CA para cualquier número de evaluaciones de funciones objetivas. Aunque la elección del algoritmo de optimización no cambia con las evaluaciones de funciones, las evaluaciones de funciones más altas mejoran el frente de pseudo-pareto para el problema de optimización de CA. Dichos resultados facilitan el uso de modelos estocásticos de CA para representar redes (bio)-químicas complejas.
lirias.kuleuven.be
以上显示的是最相近的搜索结果。 查看全部搜索结果