ترجمه تخصصی ارزان مقاله Pymoo: بهینه‌سازی چند هدفه در پایتون (IEEE 2020)

ارسال توسط وب‌رویا در 2020, آی تریپل آی IEEE, پژوهشی, علوم کامپیوتر, فناوری اطلاعات و کامپیوتر, مهندسی نرم‌افزار, هوش مصنوعی

ترجمه تخصصی ارزان مقاله Pymoo: بهینه‌سازی چند هدفه در پایتون (IEEE 2020)

ترجمه فارسی چکیده مقاله:

پایتون به زبان برنامه‌نویسی انتخابی برای پروژه‌های تحقیقاتی و صنعتی مرتبط با علوم داده، یادگیری ماشین و یادگیری عمیق تبدیل شده است. از آنجا که بهینه‌سازی بخشی ذاتی از این زمینه‌های تحقیقاتی است، در چند سال گذشته چارچوب‌های مرتبط با بهینه‌سازی بیشتری به‌وجود آمده‌اند. فقط تعداد کمی از آن‌ها از بهینه‌سازی چندین هدف محرمانه در یک زمان پشتیبانی می‌کنند، اما ابزارهای کاملی برای یک کار بهینه‌سازی کامل چند هدفه ارائه نمی‌دهند. برای پرداختن به این مسئله، ما pymoo ، یک چارچوب بهینه‌سازی چند هدفه در پایتون ایجاد کرده‌ایم. ما راهنمای شروع کار با چارچوب خود را با نشان دادن اجرای یک سناریو بهینه‌سازی چند هدفه مثال زدنی ارائه می‌دهیم. علاوه بر این، ما یک نمای کلی از معماری pymoo ارائه می‌دهیم تا قابلیت‌های آن را نشان دهیم و به دنبال آن توضیحاتی در مورد هر ماژول و زیر ماژول‌های مربوطه ارائه می‌دهیم. پیاده‌سازی در چارچوب ما قابل تنظیم است و الگوریتم‌ها را می‌توان با تهیه اپراتورهای سفارشی اصلاح / گسترش داد. علاوه بر این، انواع مختلفی از آزمون‌های تک و چند منظوره ارائه شده است و گرادیانت‌ها را می‌توان با تمایز اتوماتیک از جعبه بازیابی کرد. همچنین، pymoo به نیازهای عملی، مانند موازی‌سازی ارزیابی عملکردها، روش‌های تجسم فضاهای کم و بعد بالا و ابزار تصمیم‌گیری چند معیاره پاسخ می‌دهد. برای کسب اطلاعات بیشتر در مورد pymoo به خوانندگان توصیه می‌شود به این آدرس مراجعه کنند: https://pymoo.org.
اصطلاحات شاخص: سفارشی‌سازی، الگوریتم ژنتیک، بهینه‌سازی چندهدفه، پایتون.

 

عنوان مقاله انگلیسی:

Pymoo: Multi-Objective Optimization in Python

چکیده مقاله انگلیسی:

Python has become the programming language of choice for research and industry projects related to data science, machine learning, and deep learning. Since optimization is an inherent part of these research fields, more optimization related frameworks have arisen in the past few years. Only a few of them support optimization of multiple confiicting objectives at a time, but do not provide comprehensive tools for a complete multi-objective optimization task. To address this issue, we have developed pymoo, a multiobjective optimization framework in Python. We provide a guide to getting started with our framework by demonstrating the implementation of an exemplary constrained multi-objective optimization scenario. Moreover, we give a high-level overview of the architecture of pymoo to show its capabilities followed by an explanation of each module and its corresponding sub-modules. The implementations in our framework are customizable and algorithms can be modified/extended by supplying custom operators. Moreover, a variety of single, multi- and many-objective test problems are provided and gradients can be retrieved by automatic differentiation out of the box. Also, pymoo addresses practical needs, such as the parallelization of function evaluations, methods to visualize low and high-dimensional spaces, and tools for multi-criteria decision making. For more information about pymoo, readers are encouraged to visit: https://pymoo.org.
INDEX TERMS: Customization, genetic algorithm, multi-objective optimization, python.

 

 

تعداد صفحات مقاله: 13

تاریخ انتشار مقاله: 2020

نشریه:  آی‌تریپل‌آی IEEE

فرمت فایل: pdf

حجم فایل: 6/045KB

 

لینک دانلود رایگان مقاله انگلیسی:

Pymoo بهینه سازی چند هدفه در پایتون

** مبلغ ترجمه تخصصی ارزان این مقاله : 26000 تومان **

»»شما اکنون 50% از کل مبلغ ترجمه را پرداخت کرده و باقی مبلغ را پس از آماده شدن ترجمه خواهید پرداخت.

»»پس از ثبت سفارش ترجمه، طی حداکثر 7 روز کاری آینده، ترجمه فارسی به‌صورت دو فایل word و pdf برای شما آماده می‌شود و به شما اطلاع‌رسانی خواهد شد.

 

فعلا امکان ارسال دیدگاه برای این پست وجود ندارد.