Metoda deterioracji funkcji celu dla algorytmów poszukiwań ewolucyjnych z miękką selekcją

• Autorzy: Orzechowski P.

Warianty tytułu

EN

Method of fitness function deterioration for evolutionary algorithms with soft selection

• Języki publikacji: PL

Abstrakty

PL

W pracy zaprezentowano wstępny wariant metody deterioracji funkcji celu za pomocą kombinacji liniowej funkcji Gaussa. Algorytm można zastosować jako część składowa algorytmu poszukiwań ewolucyjnych z miękką selekcją. Testy pokazują, że algorytm może być przydatną częścią składową, pomagającą populacji pokonywanie siodeł funkcji multimodalnych. Dalszych badań wymaga optymalizacja doboru parametrów algorytmu, jak również określenie przypadków jego użycia.

EN

In this paper we present an initial version of fitness function deterioration method by applying linear combination of Gaussian functions. The algorithm may be used as a part of evolutionary search algorithm with soft selection. Experiments show that algorithm is especially helpful for population to cross saddles of multi-modal functions. Further research is needed to optimally assign the algorithm parameters, as well as to set its use cases.

Słowa kluczowe

PL

algorytmy ewolucyjne; miękka selekcja; funkcja Gaussa

EN

evolutionary algorithms; soft selection; Gauss function

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2009
• Tom: T. 13, z. 3/1
• Strony: 1171--1179
• Opis fizyczny: Bibliogr. 24 poz., rys., wykr.

Twórcy

autor

Orzechowski P.

• Katedra Automatyki, Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• [1] Ashlock D., Evolutionary Computation for Modeling and Optimization. Springer Verlag, 2006.
• [2] Back T., Schwefel H.-P., An Overview of Ewolutionary Algorithms for Parameter Optimisation. Evolutionary Computation, vol. 1, 1993, 1-23.
• [3] Bonabeau E., Dorigo M., Theraulaz G., Swarm Intelligence: From Natural to Artificial Systems. Oxford Univ. Press, NY, 1999.
• [4] Byrski A., Kisiel-Dorohinicki M., Agent-Based Evolutionary and Immunological Optimization. [w:] Proceedings of the 7th international Conference on Computational Science - ICCS, 2007.
• [5] Cutello V., Nicosia G., An Immunological Approach to Combinatorial Optimization Problems. Lecture Notes in Computer Science, Springer, vol. 2527, 2002, 361-370.
• [6] Davis L. (Ed.), Genetic algorithms and simulated annealing. Research Notes in Artificial Intelligence, London, Pitman, 1987.
• [7] Dorigo M., StiitzleT., Ant Colony Optimization. MIT Press, Cambridge, 2004.
• [8] Dorigo M., Maniezzo V., Colorni A., Ant System: Optimization by a Colony of Cooperating Agents. IEEE Transactions on Systems, Man, and Cybernetics-Part B, 26 (1), 1996, 29-41.
• [9] Findeisen W., Szymanowski J., Wierzbicki A., Teoria i metody obliczeniowe optymalizacji. Wyd. 2, PWN, Warszawa, 1980.
• [10] Fogel L.J., Owens A.J., Walsh M.J., Artficial Intelligence through Simulated Evolution. Wiley, New York, 1966.
• [11] Fogel D.B., Evolutionary Computation: Toward a New Philosophy of Machinę Intelligence. IEEE Press Series on Computational Intelligence, Wiley-IEEE Press, 2006.
• [12] Galar R., Handicapped individua in evolutionary processes. Biol. Cybern., 51, 1985, 1-9.
• [13] Galar R., Evolutionary search with soft selection. Biological Cybernetics, 60, 1989, 357-364.
• [14] Goldberg D.E., Genetic algorithms in search, optimization and machinę learning. Addison-Wesley, Reading, MA, 1989.
• [15] Holland J.H., Adaptation in natural and artificial systems. Ann Arbor: The University of Michigan Press, 1975
• [16] Kennedy J., Eberhart R.C., Shi Y., Swarm intelligence. Morgan Kaufmann Publishers, San Francisco, 2001.
• [17] Kirkpatrick S., Gellat C.D., Vecchi M.P., Optimisation by simulated annealing. Science 220, 1983, 671-680.
• [18] Michalewicz Z., Genetic Algorithms + Data Structures - Evolution Programs. Springer, Berlin, 3rd ed., 1996.
• [19] Obuchowicz A., Patan K., O pewnych wariantach algorytmu poszukiwań ewolucyjnych z miękką selekcją. „Algorytmy ewolucyjne i optymalizacja globalna", Materiały II krajowej konferencji, Rytro 1997, 193-200.
• [20] Obuchowicz A., The evolutionary search with soft selection and Deterioration of the Objective Function. Intelligent Information Systems VI: Proceedings of the workshop, Zakopane, IPI PAN, 1997, 288-295.
• [21] Obuchowicz A., Evolutionary algorithms for global optimization and dynamie system diagnosis. Zielona Góra, Lubusky Scientific Society, 2003.
• [22] Rechenberg, I., Cybernetic solution path of an experimental problem. Roy. Aircr. Establ., libr.,1965.
• [23] Schwefel H.P., Kybernetische Evolution als Strategie der experimentellen Forschung in der Stromungstechnik. Technical University of Berlin, 1965 (Diploma thesis).
• [24] Wojda P., Wykłady z programowania liniowego. Wydz. Matematyki Stos. AGH, http://wms.mat.agh.edu.pl/~wojda/Prog_lin/P12.