Założenia hybrydowej metody optymalizacji funkcji w systemie wspomagania decyzji o strukturze rozproszonej

• Autorzy: Twardochleb , Rychcicki
• Języki publikacji: PL

Abstrakty

EN

Classic optimization methods are bound to have many limitations. As a result, such methods are of ten not suitable for efficient problem solving. This paper puts forth aproposal for a new hybrid optimization method which combines together two basic methods, i.e. Monte Carlo method and Rosenbrock method. The combination produces a method that has all of its constituents' advantages, yet does not in herit any oft heir drawbacks, resulting in higher convergence rates and greater computation speeds. Due to its simplified approach towards modeling, our method can be easily adapted to parallel or distributed computing systems, enabling researchers to use clusters consisting of many separate machines. Those clusters can provide the computational power needed to solve complicated optimization problems..

Słowa kluczowe

PL

optymalizacja; funkcja minimum; optymalizacja hybrydowa; przetwarzanie rozproszone; badania operacyjne

EN

optimization; junction minima; hybrid optimization; distributed processing; operational research

• Wydawca: Komisja Informatyki Polskiej Akademii Nauk, Oddział w Gdańsku
• Czasopismo: Metody Informatyki Stosowanej
• Rocznik: 2011
• Tom: nr 1
• Strony: 169--181
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Twardochleb

autor

Rychcicki

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Informatyki

Bibliografia

• [1] Bersini H. Results of the first international contest on evolutionary optimisation (lst ICEO) // IEEE International Conference on Evolutionary Computation, 1996
• [2] Białynicki-Birula I. Modelowanie rzeczywistości II Prószyński i S-ka, Warszawa, 2002
• [3] Bjoerkman M. Global Optimization Using the DIRECTAlgorithm in Matlab IM. Bjoerkman, K. Holmstroem II Advanced Modeling and Optimization, 1999
• [4] Buslenko N. P. Metoda Monte Carlo I N.P. Buslenko ,D.I. Golenko // PWN Warszawa 1967
• [5] L'Ecuyer P. Recent Advances in Randomized Quasi-Monte Carlo Methods IP. L'Ecuyer, C. Lemieux // Kluwer Academic Publishers, Boston, 2002
• [6] Findeisen W. Teoria i metody obliczeniowe optymalizacji I W. Findeisen, J. Szymanowski, A. Wierzbicki // PWN, Warszawa, 1980
• [7] Goldberg D. E. Algorytmy genetyczne II WNT, Warszawa, 1995
• [8] Gondzio J. Sofoing Nonlinear Portfolio Optimization Problems with the Primal-Dual Interior Point Method I J. Gondzio , A. Grothey // Technical Report MS 2004-001, School of Mathematics, Edinburgh University, 2004
• [9] El Hallabi M. A hybrid algorithmfor nonlinear equality constrained optimization problems: global and local convergence theory II Technical Report TR4-99. Mathematics and Computer Science Depart., Institut National des Postes et Telecommunications, 1999
• [10] Hardin R. H. A New Approach to the Construction ofOptimal Designs I R.H Hardin, A. Sloane // AT&T Beli Laboratories, Murray Hill, New Jersey 1993
• [11] De Jong K.A. Genetic Algorithms Are NOT Function Optimizers II Foundations of Genetic Algorithms, Morgan Kaufmann Publishers, 1993
• [12] Miettinen K. Nonlinear Multiobjective Optimization II Kluwer Academic Publishers, 1999
• [13] Pinter J. D. Global and Convex Optimization in Modeling Emdronments: Compiler-Based, Excel, and Mathematica Implementations // Research Report, PCS Inc, Annals of Operations Research, 2002
• [14] Pinter J. D. Handbook of Global Optimization, vol. 2; Global Optimization: Software, Test Problems, and Applications // Kluwer Academic Publishers, 2002
• [15] Rust J. Using Randomization to Break the Curse of Dimensionality // Yale University, 1996
• [16] Sloan I. H. When are Quasi-Monte Carlo Algorithms Efficient for High Dimensional Integrals? , University of /1. H. Sloan, H. Woźniakowski // New South Wales, 1997
• [17] Thorsteinsson E.S. Branch-and-check: a hybrid framework integrating mixed integer programming and constraint logie programming II Seventh International Conference on Principles and Practice of Constraint Programming, 2001
• [18] Twardochleb M. Skuteczność hybrydowej metody optymalizacji w rozwiązywaniu zadań o zróżnicowanej charakterystyce // Twardochleb M., Rychcicki R. // Metody Informatyki Stosowanej 4/2009, Szczecin 2009
• [19] Twardochleb M. Propozycja algorytmizacji hybrydowej metody optymalizacji funkcji wielu zmiennych w zastosowaniu do systemów wspomagania decyzji - doctoral dissertation // Faculty of Computer Science and Information Systems, Szczecin University of Technology, 2005
• [20] Twardochleb M. Praktyczne problemy stosowania metod hybrydowych w rozwiązywaniu zadań optymalizacji funkcji o dużej liczbie zmiennych // VIII Naukowa Sesja Informatyki, Politechnika Szczecińska, 2003
• [21] Twardochleb M. Metody modelowania statystycznego a optymalizacja funkcji wielu zmiennych z ograniczeniami // VII Naukowa Sesja Informatyki, Politechnika Szczecińska, 2002
• [22] Whitley D. Building Better Test Functions ID. Whitley, K. Mathias, et al. // Sixth International Conference on Genetic Algorithms, San Francisco, 1995
• [23] SOMA - Self-Organizing Migrating Algorithm & Differential Evolution (DE)Test functions : http://www.ft.utb.cz/people/zelinka/soma/func.html (at Apr 2007)