Równoległy ewolucyjny algorytm optymalizacyjny z gradientową poprawą osobników

• Autorzy: Turant J.

Warianty tytułu

EN

Parallel evolutionary optimization algorithm with gradient individual’s improvement

• Języki publikacji: PL

Abstrakty

PL

W pracy zaproponowano hybrydowy algorytm optymalizacyjny zbudowany z równoległego połączenia typowego zmiennoprzecinkowego algorytmu ewolucyjnego z gradientową poprawą grupy najlepszych osobników. Obliczenia przeprowadzono dla testowej funkcji celu dla przypadków różniących się liczbą lokalnie najlepszych rozwiązań, a następnie porównano wydajność i stabilność algorytmu dla różnych ilości osobników poddanych procesowi gradientowej poprawy.

EN

In the paper the hybrid optimization algorithm was proposed. The algorithm was build with typical floating-point evolutionary algorithm joined with gradient improvement of a group of the best individuals. The calculations were carried out for a test goal function for cases of different number of locally best solutions and next effectiveness and stability of proposed algorithm were compared for different number of improved individuals.

Słowa kluczowe

PL

algorytmy hybrydowe; algorytmy ewolucyjne

EN

hybrid algorithms; evolutionary algorithms

• Wydawca: Wyższa Szkoła Informatyki i Umiejętności
• Czasopismo: Zeszyty Naukowe Wyższej Szkoły Informatyki
• Rocznik: 2015
• Tom: Vol. 14, Nr 1
• Strony: 82--91
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Turant J.

• Politechnika Łódzka Katedra Mechaniki i Informatyki Technicznej, Wyższa Szkoła Informatyki i Umiejętności w Łodzi Katedra Inżynierskich Zastosowań Informatyki

Bibliografia

• [1] Altun A. A., A combination of genetic algorithm, particle swarm optimization and neural network for palmprint recognition. Neural Computing and Applications, 22(1), 2013, pp. 27–33
• [2] Beluch W., Evolutionary Identification and Optimization of Composite Structures. Mechanics of Advanced Materials and Structures, vol. 14 no. 8, 2007, pp. 677-686
• [3] Deb K., Padhye N., Enhancing performance of particle swarm optimization through an algorithmic link with genetic algorithms. Computational Optimization and Applications, 57(3), 2013, pp.761–794
• [4] Deng W., Chen R., Gao J., Song Y., Xu J., A novel parallel hybrid intelligence optimization algorithm for a function approximation problem, Computers and Mathematics with Applications 63 (1), 2012, p. 325–336
• [5] Dhadwal M. K., Jung S. N., Kim C. J., Advanced particle swarm assisted genetic algorithm for constrained optimization problems. Computational Optimization and Applications, 58(3), 2014, pp. 781–806
• [6] Mahmoodabadi M. J., Safaie A. A., Bagheri, A., & Nariman-zadeh, N., A novel combination of particle swarm optimization and genetic algorithm for pareto optimal design of a five-degree of freedom vehicle vibration model. Applied Soft Computing, 13(5), 2013, pp. 2577–2591
• [7] Mrozek A., Kuś W., Burczyński T., Nano level optimization of graphene allotropes by means of a hybrid parallel evolutionary algorithm, Computational Materials Science, Vol.106, 2015, pp. 161–169
• [8] Orantek P., Hybrid evolutionary algorithms in optimization of structures under dynamical loads, IUTAM Symposium on Evolutionary Methods in Mechanics, Solid Mechanics and Its Applications, vol. 117, Kluwer, pp. 297-308,2004.
• [9] Valdez F., Melin P., Castillo O., An improved evolutionary method with fuzzy logic for combining particle swarm optimization and genetic algorithm. Applied Soft Computing, 11 (2), 2011, pp. 2625–2632.
• [10] Zainudin Z., Irving V. P., A Hybrid Optimization Algorithm Based on Genetic Algorithm and Ant Colony Optimization, IJAIA vol 4, no 5, 2013, pp. 63-75