Formulación de PNL para problemas de optimización de polígonos
Autores: Asaeedi, Saeed; Didehvar, Farzad; Mohades, Ali
Idioma: Inglés
Editor: MDPI
Año: 2018
Acceso abierto
Artículo científico
2018
Formulación de PNL para problemas de optimización de polígonos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Encontrar polígonos simples
área mínima
Perímetro máximo
Número máximo de vértices
ángulos limitados
Algoritmo genético.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
En este documento, generalizamos los problemas de encontrar polígonos simples con área mínima, perímetro máximo y número máximo de vértices, de modo que contengan un conjunto dado de puntos y sus ángulos estén limitados por donde () es un parámetro. También consideramos el ángulo máximo de cada polígono simple posible que cruce un conjunto dado de puntos, y obtenemos un límite superior para el mínimo de estos ángulos. Se investiga la correspondencia entre los problemas de encontrar polígonos simples con área mínima y número máximo de vértices desde una perspectiva teórica. Formulamos estos tres problemas generalizados como modelos de programación no lineal, y luego presentamos un algoritmo genético para resolverlos. Finalmente, las soluciones calculadas se evalúan en varios conjuntos de datos y se comparan los resultados con los del enfoque óptimo.
Descripción
En este documento, generalizamos los problemas de encontrar polígonos simples con área mínima, perímetro máximo y número máximo de vértices, de modo que contengan un conjunto dado de puntos y sus ángulos estén limitados por donde () es un parámetro. También consideramos el ángulo máximo de cada polígono simple posible que cruce un conjunto dado de puntos, y obtenemos un límite superior para el mínimo de estos ángulos. Se investiga la correspondencia entre los problemas de encontrar polígonos simples con área mínima y número máximo de vértices desde una perspectiva teórica. Formulamos estos tres problemas generalizados como modelos de programación no lineal, y luego presentamos un algoritmo genético para resolverlos. Finalmente, las soluciones calculadas se evalúan en varios conjuntos de datos y se comparan los resultados con los del enfoque óptimo.