Zastosowanie technik i narzędzi z zakresu sztucznej inteligencji do problemów logistycznych

Praczyk, T.

Powiadomienia systemowe

Sesja wygasła!

Artykuł - szczegóły

Tytuł artykułu

Zastosowanie technik i narzędzi z zakresu sztucznej inteligencji do problemów logistycznych

Autorzy

Praczyk T.

Wybrane pełne teksty z tego czasopisma

http://www.gmil.pl/archiwum

Identyfikatory

Warianty tytułu

Using techniques and tools from the field of artificial intelligence to logistic problems

Języki publikacji

Abstrakty

Artykuł prezentuje przegląd wybranych algorytmów, narzędzi i technik z zakresu sztucznej inteligencji które mogą być zastosowane do problemów logistycznych. W artykule zastosowano konwencję zgodnie z którą poszczególne techniki sztucznej inteligencji prezentowane są razem z przykładowymi problemami które mogą być za ich pomocą rozwiązane. W kolejności przedstawiono następujące algorytmy, techniki i narzędzia: Algorytmy Ewolucyjne (EA – ang. Evolutionary Algorithms), Particle Swarm Optimization (PSO), Bacterial Foraging Optimization (BFO), Ant Systems (AS), Sztuczne Systemy Immunologiczne (AIS – ang. Artificial Immune Systems) i Sieci Neuronowe (NN – ang. Neural Networks).

The paper presents the survey of selected algorithms, tools and techniques from the field of artificial intelligence that can be applied to logistic problems. In the paper, the convention is used according to which each artificial intelligence tool is given along with example problems to which it can be applied. The following algorithms, tools and techniques are presented: Evolutionary Algorithms (EA), Particle Swarm Optimization (PSO), Bacterial Foraging Optimization (BFO), Ant Systems (AS), Artificial Immune Systems (AIS) and Neural Networks (NN).

Słowa kluczowe

algorytm sztuczna inteligencja algorytmy ewolucyjne particle swarm optimization PSO bacterial foraging optimization BFO system immunologiczny sztuczny sieci neuronowe

algorithm artificial intelligence Evolutionary Algorithms (EA) particle swarm optimization (PSO) Bacterial Foraging Optimization (BFO) Ant Systems (AS) Artificial Immune Systems (AIS) Neural Networks (NN)

Wydawca

Polskie Wydawnictwo Ekonomiczne SA

Czasopismo

Gospodarka Materiałowa i Logistyka

Rocznik

2016

Tom

nr 12

Strony

658--683

Opis fizyczny

Bibliogr. 33 poz., rys., pełny tekst na CD

Twórcy

autor

Praczyk T.

t.praczyk@amw.gdynia.pl

Akademia Marynarki Wojennej, Instytut Uzbrojenia Okrętowego i Informatyki

Bibliografia

1. Banzhaf, W., Nordin, P., Keller, R., Francone, F. (1998). Genetic Programming – An Introduction. San Francisco: Morgan Kaufmann.
2. Das, S., Biswas A., Dasgupta, S., Abraham, A. (2009). Bacterial Foraging Optimization Algorithm: Theoretical Foundations, Analysis, and Applications. Foundations of Computational Intelligence, 3, 23–55.
3. Dasgupta, D., (1999). Artificial Immune Systems and Their Applications. Berlin: Springer-Verlag.
4. Dorigo, M. (1992). Optimization, Learning and Natural Algorithms. PhD thesis, Italy: Politecnico di Milano.
5. Dorigo, M., Stützle, T. (2004). Ant Colony Optimization. MIT Press.
6. Dorigo, M. (2007). Ant Colony Optimization. Scholarpedia
7. Fogel, D. Evolutionary Computation: Toward a New Philosophy of Machine Intelligence. NJ: IEEE Press
8. Forrest, S., Perelson, A.S., Allen, L., Cherukuri, R. (1994). Self-nonself discrimination in a computer. Proceedings of the 1994 IEEE Symposium on Research in Security and Privacy. Los Alamitos, 202–212
9. Goldberg, D. (2002). The Design of Innovation: Lessons from and for Competent Genetic Algorithms. Norwell, MA: Kluwer Academic Publishers.
10. Goldberg, D. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. Reading, MA: Addison-Wesley Professional.
11. Gomez, F., Schmidhuber, J., Miikkulainen, R. (2008) Accelerated Neural Evolution through Cooperatively Coevolved Synapses. Journal of Machine Learning Research, 9, 937-965
12. Halusiak S. (2011). Nowoczesne rozwiązania w logistyce, Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Humanistycznej, 10, 5-79
13. Hebb, D. (1949). The Organization of Behavior. New York: Wiley
14. Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. Ann Arbor: The University of Michigan Press.
15. Izdebski, M., Jacyna M. (2013). Wybrane aspekty zastosowania algorytmu genetycznego do rozwiązywania problemu przydziału zadań do zasobów w przedsiębiorstwie transportowym, Prace Naukowe Politechniki Warszawskiej, Transport, 97, 183-194.
16. Kennedy, J., Eberhart, R. (1995). Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks, 1942–1948.
17. Kennedy, J. (1997). The particle swarm: social adaptation of knowledge. Proceedings of IEEE International Conference on Evolutionary Computation, 303–308
18. Korczak, J. (2013). Inżynieria Procesów Logistycznych. Bydgoszcz: Wydawnictwo Uczelniane Wyższej Szkoły Gospodarki w Bydgoszczy.
19. Krajewska R. (2016). Łańcuch logistyczny w sytuacji utraty płynności paliw w elektrociepłowni, Rozprawa doktorska. Radom: Uniwersytet Technologiczno- Humanistyczny w Radomiu, Wydział Transportu i Elektrotechniki.
20. McCulloch, W., Walter, P. (1943). A Logical Calculus of Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics. 5 (4), 115–133
21. Michłowicz, E. (2009). Problem komiwojażera dla kilku centrów dystrybucji, Prace Naukowe Politechniki Warszawskiej ,Transport, 70, 113-125.
22. Moriarty, D. E. (1997). Symbiotic Evolution Of Neural Networks In Sequential Decision Tasks , PhD Thesis, Department of Computer Sciences, The University of Texas at Austin
23. Müller, S. D., Marchetto, J., Airaghi, S., Koumoutsakos, P. (2002). Optimization Based on Bacterial Chemotaxis, IEEE Transactions on Evolutionary Computation.
24. Potter, M. A., De Jong, K. A. (2000). Cooperative Coevolution: An Architecture for Evolving Coadapted Subcomponents, Evolutionary Computation, 8(1), 1-29.
25. Praczyk, T. (2011). Using Assembler Encoding to Construct Artificial Neural Networks with a Modular Architecture, rozprawa habilitacyjna. Gdynia: Wydawnictwo AMW.
26. Prior, J. W. (1998). Eugenic Evolution for Combinatorial Optimization, Master’s thesis. The University of Texas at Austin.
27. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117.
28. Shi, Y., Eberhart, R.C. (1998). A modified particle swarm optimizer. Proceedings of IEEE International Conference on Evolutionary Computation, 69–73.
29. Yang, C., Ji, J., Liu, J., Liu, J., Yin, B. (2016). Structural learning of Bayesian networks by bacterial foraging optimization. International Journal of Approximate Reasoning, 69, 147–167
30. https://pl.wikipedia.org/wiki/Sztuczna_inteligencja
31. https://en.wikipedia.org/wiki/Particle_swarm_optimization
32. https://en.wikipedia.org/wiki/Ant_colony_optimization_algorithms
33. https://pl.wikipedia.org/wiki/Sie%C4%87_neuronowa

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-ff1b7f9c-444e-47d8-9249-959a49d81574