الگوريتم تركيبي نورديدن شبيه سازي شده‑ژنتيك براي بهينه سازي چندهدفه داده هاي زمين آماري

A hybrid AMOSA_NSGA-II algorithm for multi-objective optimizationof geostatistical data

افزايش بهره وري زمين هاي كشاورزي از جمله مباحث مورد توجه در حوزه كشاورزي است. از اين رو، بايد مواد مغذي موجود در خاك بررسي شده و كمبود آن ها شناسايي شود. رويكردهاي بهينه سازي نمونه گيري فضايي ابزاري كاربردي براي اين هدف هستند. در اين مطالعه، يك الگوريتم تركيبي از الگوريتم نورديدن شبيه سازي شده چندهدفه ذخيره ساز و الگوريتم ژنتيك با مرتب سازي نامغلوب براي يك مسئله بهينه سازي دوهدفه نمونه گيري داده هاي خاك پيشنهاد شده است. نتايج نشان مي دهند كه مرز پارتو به دست آمده توسط الگوريتم پيشنهادي علاوه بر داشتن پراكندگي مناسب، مرزهاي پارتو به دست آمده توسط دو الگوريتم ذكر شده را مغلوب مي كند.

Increasing the productivity of agricultural lands is one of the most exciting topics in 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 study proposes a hybrid algorithm of the archived multi-objective simulated annealing algorithm and the non-dominated sorting genetic algorithm for a bi-objective optimization problem of soil sampling. The results show that the Pareto frontier obtained by the proposed algorithm and having a good diversity dominate the Pareto frontiers obtained by the two mentioned algorithms.