Studium przypadku skuteczności nowych metod optymalizacji roju w porównaniu do metod znanych

• Autorzy: Baumgart Jan , Sangho Belco

Identyfikatory

DOI

10.34767/SIMIS.2021.01.06

• Języki publikacji: PL

Abstrakty

PL

Porównianie skuteczności nowych metod optymalizacji roju w porównaniu z metodami znanymi w dziedzinie. Inspirowane naturą algorytmy metaheurystyczne stają się coraz bardziej popularne w rozwiązywaniu problemów optymalizacyjnych. Dzięki ich popularności niemal codziennie możemy zobaczyć nowepodejścia i proponowane rozwiązania. W tym artykule przedstawię porównanie, które pokaże kilka najnowszychprac z tej dziedziny w porównaniu z niektórymi algorytmami traktowanymi jako podstawa dziedziny. Głównymcelem było porównanie ostatnio wprowadzonych algorytmów roju i określenie, kiedy nowe rozwiązania są faktycznie szybsze i bardziej precyzyjne. Podsumowując, czy przetestowane nowe podejścia są lepsze niż obecne,dobrze znane i ugruntowane w terenie algorytmy. Algorytmy brane pod uwagę w tej pracy to: Particle SwarmOptimization [5], Artifical Bee Colony [3], Elephant Herding Optimization [7], Whale Optimization [4] i Gras-shopper Optimization [6].Algorytmy uznawane za nowe w tej dziedzinie porównano z dwoma popularnymi idobrze znanymi algorytmami metaheurystycznymi pod względem dokładności znalezionych rozwiązań i szybkości. Zgodnie z wynikami eksperymentów większość porównywanych nowych algorytmów dawała zadowalającewyniki w użytkowaniu.

EN

Comparing the effectiveness of new methods of swarm optimization in comparison with knownmethods. Nature-inspired metaheuristic algorithms are becoming more and more popular in solving optimization problems. Thanks to their popularity, we can see new approaches and proposed solutions almost everyday. In this article, I will present a comparison that will show some of the most recent works in this fieldcompared to some algorithms considered as the basis of the field. The main goal was to compare the recently introduced swarm algorithms and determine when new solutions are actually faster and more precise. Inconclusion, are the new approaches tested better than the current, well-known and field-grounded algorithms?The algorithms considered in this paper are Particle Swarm Optimization, Artifical Bee Colony, Elephant Herding Optimization, Whale Optimization, and Grasshopper Optimization. Algorithms considered new inthis field were compared with two popular and well-known metaheuristic algorithms in terms of accuracy ofsolutions found and speed. According to the experimental results, most of the compared new algorithms gave satisfactory results in use.

Słowa kluczowe

PL

algorytm roju; wzorce; inspirowanie naturą; metaheurystyka; pojedyncze obiektywne problemy optymalizacji; optymalizacja funkcji; algorytmy optymalizacji

EN

swarm algorithm; patterns; inspired by nature; metaheuristics; single objective optimization problems; function optimization; optimization algorithms

• Wydawca: Instytut Informatyki Uniwersytet Kazimierza Wielkiego
• Czasopismo: Studia i Materiały Informatyki Stosowanej
• Rocznik: 2021
• Tom: nr 1
• Strony: 47--50
• Opis fizyczny: Bibliogr. 7 poz., rys., tab.

Twórcy

autor

Baumgart Jan

• Uniwersytet Kazimierza Wielkiego, Instytut Informatyki

autor

Sangho Belco

• Uniwersytet Kazimierza Wielkiego, Instytut Informatyki

Bibliografia

• [1] “Test functions index - ampgo 0.1.0 documentation. [Online]. Available: http://infinity77.net.
• [2] J. Baumgart, Application of OFN notation in Swarm Algorithms -basic implementation problems in the R environment, 2019.
• [3] D. Karaboga and B. Basturk, “A powerfuland efficient algorithm for numerical functionoptimization: artificial bee colony (ABC) algorithm, In: Journal of global optimization 39, vol. 3, pp. 459–471, 2007.
• [4] A. R. Kashani, C. V. Camp, M. Armanfar, and A. Slowik, Whale optimization algorithm, in Swarm Intelligence Algorithms.CRC Press, 2020, pp. 323–333.
• [5] J. Kennedy and R. Eberhart, “Particle swarm optimization, In:Proceedings of ICNN95-international conference on neural networks,vol. 4, pp. 1942–1948, 1995.
• [6] S. Łukasik, Grasshopper optimization algorithm, in Swarm Intelligence Algorithms. CRCPress, 2020, pp. 193–205.
• [7] N. K. Meena, J. Yang, and A. Slowik, Elephant herding optimization, in Swarm Intelligence Algorithms. CRC Press, 2020, pp. 149–162.50.