الگوریتم ترکیبی نوردیدن شبیه سازی شده‑ژنتیک برای بهینه سازی چندهدفه داده های زمین آماری

افزایش بهره وری زمین های کشاورزی از جمله مباحث مورد توجه در حوزه کشاورزی است. از این رو، بایدمواد مغذی موجود در خاک بررسی شده و کمبود آن ها شناسایی شود. رویکردهای بهینه سازی نمونه گیری فضایی ابزاریکاربردی برای این هدف هستند. در این مطالعه، یک الگوریتم ترکیبی از الگوریتم نوردیدن شبیه سازی شده چندهدفهذخیره ساز و الگوریتم ژنتیک با مرتب سازی نامغلوب برای یک مسئله بهینه سازی دوهدفه نمونه گیری داده های خاکپیشنهاد شده است. نتایج نشان می دهند که مرز پارتو به دست آمده توسط الگوریتم پیشنهادی علاوه بر داشتن پراکندگیمناسب، مرزهای پارتو به دست آمده توسط دو الگوریتم ذکر شده را مغلوب می کند.

a hybrid amosa_nsga-ii algorithm for multi-objective optimizationof geostatistical data

increasing the productivity of agricultural lands is one of the most exciting topicsin agriculture. hence, the nutrients in the soil must be examined and their lack identified.spatial sampling optimization approaches are a practical tool for this purpose. this studyproposes a hybrid algorithm of the archived multi-objective simulated annealing algorithmand the non-dominated sorting genetic algorithm for a bi-objective optimization problem ofsoil sampling. the results show that the pareto frontier obtained by the proposed algorithmand having a good diversity dominate the pareto frontiers obtained by the two mentionedalgorithms.