Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Genetic algorithm

Sortuj według:

Ogranicz wyniki do:

Buckling optimisation of sandwich cylindrical panels

100%

Abouhamzeh M. , Sadighi M.

Curved and Layered Structures

2016

tom 3

nr 1

In this paper, the buckling load optimisation is performed on sandwich cylindrical panels. A finite element program is developed in MATLAB to solve the governing differential equations of the global buckling of the structure. In order to find the optimal solution, the genetic algorithm Toolbox in MATLAB is implemented. Verifications are made for both the buckling finite element code and also the results from the genetic algorithm by comparisons to the results available in literature. Sandwich cylindrical panels are optimised for the buckling strength with isotropic or orthotropic cores with different boundary conditions. Results are presented in terms of stacking sequence of fibers in the face sheets and core to face sheet thickness ratio.

O wpływie wybranych metod selekcji nieliniowych zmiennych objaśniających na jakość modeli regresyjnch

86%

Stelmach J.

Studia Ekonomiczne

2015

tom 219

79-96

Najpopularniejsza parametryczna metoda najmniejszych kwadratów oraz jej rozszerzenia (regresja grzbietowa, metoda LASSO, metoda LARS, regresja BRIDGE) pozwalają na budowę addytywnych modeli liniowych. W rzeczywistości często mamy do czynienia z nieliniowymi zależnościami, a użyteczna informacja jest powtarzana w wielu zmiennych objaśniających. Bezkrytyczne wykorzystanie wszystkich takich dostępnych zmiennych może prowadzić do naruszenia założeń Gaussa-Markowa i najczęściej obniża jako ść modeli regresyjnych. Znane metody selekcji pozwalają na wybór zmiennych, które wnoszą najwięcej użytecznej informacji, ograniczając jedno-cześnie zbędny szum. Opisany eksperyment weryfikuje metodą symulacji komputerowej jakość modeli regresyjnych otrzymanych za pomocą wybranych metod parametrycznych, dla których przeprowadzono selekcję predyktorów, wykorzystując: drzewa regre-syjne, regresję grzbietową oraz algorytm genetyczny.

The most common parametric Ordinary Least Squares Method and its extension (ridge regression, LASSO and LARS methods, BRIDGE regression) allow to build additive linear models. In reality, we often have to deal with non-linear dependencies, and useful information is repeated in a number of explanatory variables. Use of all available variables can lead to violations of Gauss-Markow assumptions and frequently reduces the quality of regression models. Known methods of selection allow to select the variables that contribute the most useful information, reducing unnecessary noise. De-scribed experiment verifies, by computer simulation, quality of regression models obtained using selected parametric methods, for which the selection was carried out using: regression trees, ridge regression and genetic algorithm.