Wyniki wyszukiwania - BazTech

1

Studium przypadku skuteczności nowych metod optymalizacji roju w porównaniu do metod znanych

Baumgart Jan, Sangho Belco

Studia i Materiały Informatyki Stosowanej

|

2021

|

nr 1

47--50

PL

Porównianie skuteczności nowych metod optymalizacji roju w porównaniu z metodami znanymi w dziedzinie. Inspirowane naturą algorytmy metaheurystyczne stają się coraz bardziej popularne w rozwiązywaniu problemów optymalizacyjnych. Dzięki ich popularności niemal codziennie możemy zobaczyć nowepodejścia i proponowane rozwiązania. W tym artykule przedstawię porównanie, które pokaże kilka najnowszychprac z tej dziedziny w porównaniu z niektórymi algorytmami traktowanymi jako podstawa dziedziny. Głównymcelem było porównanie ostatnio wprowadzonych algorytmów roju i określenie, kiedy nowe rozwiązania są faktycznie szybsze i bardziej precyzyjne. Podsumowując, czy przetestowane nowe podejścia są lepsze niż obecne,dobrze znane i ugruntowane w terenie algorytmy. Algorytmy brane pod uwagę w tej pracy to: Particle SwarmOptimization [5], Artifical Bee Colony [3], Elephant Herding Optimization [7], Whale Optimization [4] i Gras-shopper Optimization [6].Algorytmy uznawane za nowe w tej dziedzinie porównano z dwoma popularnymi idobrze znanymi algorytmami metaheurystycznymi pod względem dokładności znalezionych rozwiązań i szybkości. Zgodnie z wynikami eksperymentów większość porównywanych nowych algorytmów dawała zadowalającewyniki w użytkowaniu.

EN

Comparing the effectiveness of new methods of swarm optimization in comparison with knownmethods. Nature-inspired metaheuristic algorithms are becoming more and more popular in solving optimization problems. Thanks to their popularity, we can see new approaches and proposed solutions almost everyday. In this article, I will present a comparison that will show some of the most recent works in this fieldcompared to some algorithms considered as the basis of the field. The main goal was to compare the recently introduced swarm algorithms and determine when new solutions are actually faster and more precise. Inconclusion, are the new approaches tested better than the current, well-known and field-grounded algorithms?The algorithms considered in this paper are Particle Swarm Optimization, Artifical Bee Colony, Elephant Herding Optimization, Whale Optimization, and Grasshopper Optimization. Algorithms considered new inthis field were compared with two popular and well-known metaheuristic algorithms in terms of accuracy ofsolutions found and speed. According to the experimental results, most of the compared new algorithms gave satisfactory results in use.

2

Algorytm inspirowany polem walki - połączenie algorytmów numerycznych z ideą roju

Baumgart Jan, Sangho Belco

Studia i Materiały Informatyki Stosowanej

|

2021

|

nr 2

26--31

PL

Artykuł przedstawia przygotowany algorytm na bazie połączenia idei znanych metod numerycznych z metodami opartymi na idei roju. Algorytm został przygotowany z inspiracji polem walki podczas którego w równych odstępach żołnierze przeczesują siły wroga z różnymi prędkościami zależnie od posiadanego orężu a następnie ograniczają zakres pola bitwy. Zaproponowane rozwiązanie wywodzi się właśnie ze zbliżonych założeń. Głównym założeniem pracy było przedstawienie potencjalnego zysku z połączenia metod optymalizacji oraz porównanie metody mieszanej z metodami bazującymi na idei roju pod względem prędkości działania oraz skuteczności odnajdowania optimum globalnego.Algorytm został porównany z dwoma algorytmami metaheurystycznymi pod kątem dokładności odnalezionych rozwiązań oraz prędkości. Zgodnie z wynikami eksperymentów posiada wydajność podobną w porównaniu z innymi algorytmami oraz daje zadowalające efekty w wykorzystaniu.

EN

he article presents prepared algorithm based on the combination of the ideas of known numericalmethods with methods based on the idea of a swarm. The algorithm was prepared inspired by the battlefield,during which, at equal intervals, soldiers scour enemy forces at different speeds depending on the weapon theyhave, and then limit the scope of the battlefield. The proposed solution is based on similar assumptions. Themain assumption of the work was to present the potential profit from the combination of optimization methodsand to compare the mixed method with methods based on the idea of a swarm in terms of operating speed andthe effectiveness of finding the global optimum. The algorithm was compared with two metaheuristic algorithmsin terms of the accuracy of the solutions found and speed. According to the results of the experiments, it hasa similar performance compared to other algorithms and gives satisfactory results in use.

3

Function optimization using metaheuristics

Pilski M., Seredyński F.

Studia Informatica : systems and information technology

|

2006

|

Vol. 1(7)

77--91

EN

The paper presents the results of comparison of three metaheuristics that currently exist in the problem of function optimization. The first algorithm is Particle Swarm Optimization (PSO) - the algorithm has recently emerged. The next one is based on a paradigm of Artificial Immune System (AIS). Both algorithms are compared with Genetic Algorithm (GA). The algorithms are applied to optimize a set of functions well known in the area of evolutionary computation. Experimental results show that it is difficult to unambiguously select one best algorithm which outperforms other tested metaheuristics.

4

Optimizing complex systems by intelligent evolotion: the LEMd method and case study

Michalski R.S.

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2006

|

Vol. 54, nr 4

505-513

EN

Most methods of evolutionary computation follow a Darwinian-type model that proceeds through random mutations or recombinations of the genetic material and natural selection of individuals carried out according to the principle of the survival of the fittest. In such a model, the creation of new individuals is not guided by any reasoning process or "external mind", but rather by random or semi-random changes. Recently, a new, non-Darwinian approach to evolutionary computation bas been proposed, called Learnable Evolution Model (LEM), in which the evolutionary process is guided by computational intelligence. In LEM, a new way of creating individuals is proposed, namely, by hypothesis formation and instantiation. In numerous experiments, LEM bas consistently and significantly outperformed compared conventional Darwinian-type algorithms in terms of the evolution length (the number of fitness evaluations) in solving complex function optimization problems. Based on the LEM ideas, we developed a method, called LEMd, which is tailored to problems of optimizing very complex engineering systems. This article provides a brief description of LEMd and its application to the development of a specialized system, ISHED, for the optimization of evaporator designs in cooling systems. According to experts in cooling systems, ISHED-developed designs have matched or outperformed the best human designs. These results and those from the experimental testing of learnable evolution on problems with hundreds of variables suggest that LEMd may be an attractive new tool for optimizing very complex engineering systems.