Wykorzystanie algorytmu świetlika dla znajdowania ekstremów globalnych wybranych funkcji testowych

• Autorzy: Olszewski Jan , Figielska Ewa

Identyfikatory

DOI

10.26348/znwwsi.24.7

Warianty tytułu

EN

Using firefly algorithm for global optimization of mathematical test functions

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiona została jedna z najnowszych metod inteligencji rojowej – algorytm świetlikowy zaproponowany przez Xin-She Yanga w roku 2008. Przeprowadzona została analiza działania algorytmu, zbadany został wpływ zmian wartości jego parametrów na jakość uzyskiwanych rozwiązań przy poszukiwaniu ekstremów globalnych wybranych nieliniowych funkcji jedno i wielomodalnych.

EN

The paper presents one of the newest swarm intelligence methods, namely firefly algorithm proposed by Xin-She Yang in 2008. The analysis of the per- formance of the algorithm is carried out and the influence of the algorithm parameters settings on the quality of the solutions is examined using nonlinear single and multi-modal mathematical test functions.

Słowa kluczowe

PL

inteligencja rojowa; algorytm świetlikowy; optymalizacja

EN

swarm intelligence; firefly algorithm; optimization

• Wydawca: Warszawska Wyższa Szkoła Informatyki
• Czasopismo: Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki
• Rocznik: 2021
• Tom: nr 24
• Strony: 7--34
• Opis fizyczny: Bibliogr. 13 poz., tab., wykr.

Twórcy

autor

Olszewski Jan

• Warszawska Wyższa Szkoła Informatyki

autor

Figielska Ewa

• Warszawska Wyższa Szkoła Informatyki

Bibliografia

• [1] Dorigo, M., Maniezzo, V., Colorni, A. (1996). Ant System: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics B(1), s. 29-41.
• [2] Dorigo, M., Gambardella, L. M. (1997). Ant Colony System: A cooperative learning approach to the traveling salesman problem. IEEE Transactions on Evolutionary Computation 1(1), 53-66.
• [3] Kennedy, J., Eberhart, R. (1995). Particle swarm optimization. Proceedings of the 911 1995 IEEE International Conference on Neural Networks 4, s. 1942-1948.
• [4] Passino, K.M. (2002). Biomimicry of Bacterial Foraging for distributed optimization and control. IEEE Control Systems Magazine, s. 52-68, June, 2002.
• [5] Passino, K. M. (2010). Bacterial Foraging Optimization. International Journal of Swarm Intelligence Research 1(1).
• [6] Yang, X-S. (2008). Firefly algorithm. Nature-Inspired Metaheuristic Algorithms 20, s. 79-90.
• [7] Yang X-S. (2009) Firefly Algorithms for Multimodal Optimization. [w]:Watanabe O., Zeugmann T. (ed) Stochastic Algorithms: Foundations and Applications. SAGA 2009. Lecture Notes in Computer Science 5792. Springer, Berlin.
• [8] Yang, X-S. (2010). Firefly Algorithm, Stochastic Test Functions and Design Optimization. Int. J. Bio-Inspired Computation 2 (2), s. 78-84.
• [9] Yang, X-S., He, X. (2013). Firefly Algorithm: Recent Advances and Applications, International Journal of Swarm Intelligence 1, s. 36-50.
• [10] Dey, N. (2020). Applications of Firefly Algorithm and its Variants; Case Studies and New Developments, Springer.
• [11] Subotic, M., Misic, I., Tuba, M. (2012). An Object-Oriented Implementation of Firefly Algorithm for Continous Unconstrained Optimization Problems. Proceedings of the 6th WSEAS international conference on Computer Engineering and Applications.
• [12] Wang, C., Chu, X. (2019). An Improved Firefly Algorithm with Specific Probability and Its Engineering Application. IEEE Access 7, s. 57424-57439.
• [13] BenchmarkFcns Toolbox [on-line], http://benchmarkfcns.xyz [18-04-2021].