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: coevolutionary algorithms

Sortuj według:

Ogranicz wyniki do:

Zastosowanie algorytmów koewolucyjnych do modelowania wybranych parametrów palnika energetycznego

100%

Wójcik W. , Kalita M. , Golec T. , Smolarz A.

tom R. 86, nr 7

244-246

Poniższy artykuł przedstawia próbę zastosowania algorytmu koewolucyjnego będącego częścią eksperymentalnego układu regulatora pracy palnika energetycznego. W pracy zaproponowano przedstawiono wyniki symulacji zastosowanej metody. Wyniki badań pokazują, jaki wpływ na kluczowe parametry pracy algorytmu ma ewolucja współdziałających gatunków.

The paper below presents an attempt to implement coevolutionary algorithm that is a part of experimental power burner controler. In the article results of used method simulation are shown. Outcomes show what kind of influence do cooperative species have on algorithm operations key parameters.

The performance profile: A multi-criteria performance evaluation method for test-based problems

63%

Jaśkowski W. , Liskowski P. , Szubert M. , Krawiec K.

tom Vol. 26, no. 1

215--229

In test-based problems, solutions produced by search algorithms are typically assessed using average outcomes of interactions with multiple tests. This aggregation leads to information loss, which can render different solutions apparently indifferent and hinder comparison of search algorithms. In this paper we introduce the performance profile, a generic, domain-independent, multi-criteria performance evaluation method that mitigates this problem by characterizing the performance of a solution by a vector of outcomes of interactions with tests of various difficulty. To demonstrate the usefulness of this gauge, we employ it to analyze the behavior of Othello and Iterated Prisoner’s Dilemma players produced by five (co)evolutionary algorithms as well as players known from previous publications. Performance profiles reveal interesting differences between the players, which escape the attention of the scalar performance measure of the expected utility. In particular, they allow us to observe that evolution with random sampling produces players coping well against the mediocre opponents, while the coevolutionary and temporal difference learning strategies play better against the high-grade opponents. We postulate that performance profiles improve our understanding of characteristics of search algorithms applied to arbitrary test-based problems, and can prospectively help design better methods for interactive domains.