Двопопуляційний самоналагоджувальний гібридний генетико-бджолиний алгоритм на основі ентропії інформації
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Субота, 02 квітня 2016, 13:55
- Опубліковано: Субота, 02 квітня 2016, 13:55
- Перегляди: 5090
Автори:
Сяомен Пань, Хенаньський професійно-технічний інститут, м. Чженчжоу, провінція Хенань, КНР
Реферат:
Мета. Ройовий інтелект є розумною поведінкою індивідуумів нерозумного виду або виду, що володіє простим інтелектом, що з'являється завдяки якій-небудь формі об'єднання та взаємодії. Досліджений двопопуляційний самоналагоджувальний гібридний генетико-бджолиний алгоритм, що поєднує в собі генетичний алгоритм (GA) і бджолиний алгоритм (ABC). Отримані оцінки робочих характеристик алгоритмів ройового інтелекту.
Методика. Запропонований двопопуляційний самоналагоджувальний гібридний генетико-бджолиний алгоритм на основі ентропії інформації, що формує дві популяції з незалежною еволюцією, а інформаційна взаємодія між популяціями здійснюється через ентропію інформації, яка дозволяє підтримувати їх різноманітність і, за необхідності, прискорення процесу еволюції між ними.
Результати. Виконаний аналіз базових структур і особливостей генетичного та бджолиного алгоритмів, на основі чого запропонована подвійна популяція з еволюцією за допомогою обміну інформацією між ними на основі ентропії. Паралельна дія двох відносно незалежних популяцій прискорює появу нового індивіда у процесі суперництва між популяціями і показує кращий результат у вирішенні завдань оптимізації складних функцій.
Наукова новизна. Проведено комбіноване дослідження генетичного та бджолиного алгоритмів. Визначено, що швидкість перетворення біологічно-інтелектуального еволюційного алгоритму значно покращала, проте, запропонований алгоритм не є ідеальним для завдань оптимізації складних функцій. Цей напрям досліджень вимагає подальшого вивчення.
Практична значимість. Проаналізований оптимізаційний алгоритм, що застосовується в багатьох областях досліджень. Сучасною тенденцією розвитку є поліпшення вихідного алгоритму шляхом комбінування з інтелектуальним алгоритмом. Оскільки двопопуляційний алгоритм позбавлений недоліків однопопуляційного, він краще підходить для складних оптимізаційних завдань. Закладена основа для пошуку рішень складних розподілених завдань без централізованого контролю та глобальної моделі.
Список літератури / References:
1. Rahmani, A. and MirHassani, S.A., 2014. A hybrid firefly-genetic algorithm for the capacitated facility location problem. Information Sciences, vol. 283, no. 1, pp. 70−78.
2. Saeed Soltanali, Rouein Halladj, Shokoufe Tayyebi and Alimorad Rashidi, 2014. Neural Network and Genetic Algo-rithm for Modeling and Optimization of Effective Parame-ters on Synthesized ZSM-5 Particle Size. Materials Letters, vol. 136, no. 1, pp. 138−140.
3. Ergun Uzlu, Murat İhsan Kömürcü, Murat Kankal, Tay-fun Dede and Hasan Tahsin Öztürk, 2014. Prediction of berm geometry using a set of laboratory tests combined with teaching–learning-based optimization and artificial bee colony algorithms. Applied Ocean Research, vol. 48, no. 10, pp. 103−113.
4. Y. Volkan Pehlivanoglu, 2014. Direct and indirect design prediction in genetic algorithm for inverse design problems. Applied Soft Computing, vol. 24, no. 11, pp. 781− 793.
5. Muhammet Unal, Mustafa Onat, Mustafa Demetgul and Haluk Kucuk, 2014. Fault diagnosis of rolling bearings using a genetic algorithm optimized neural network. Measurement, vol. 58, no. 12, pp. 187−196.
6. Nafiseh Imanian, Mohammad Ebrahim Shiri, Parham Moradi, 2014. Velocity based artificial bee colony algorithm for high dimensional continuous optimization problems. Engineering Applications of Artificial Intelligence, vol. 36, no.11, pp. 148−163.
7. Shuzhu Zhang, C.K.M. Lee, K.L. Choy, William Ho and W.H. Ip. 2014. Design and development of a hybrid artificial bee colony algorithm for the environmental vehicle routing problem. Transportation Research Part D: Transport and Environment, vol. 31, no. 8, pp. 85−99.
8. A.J. Umbarkar, M.S. Joshi, and Wei-Chiang Hong, 2014. Multithreaded parallel dual population genetic algorithm (MPDPGA) for unconstrained function optimizations on multi-core system. Applied Mathematics and Computation, vol. 243, no. 15, pp. 936−949.
9. Dervis Karaboga and Beyza Gorkemli, 2014. A quick artificial bee colony algorithm and its performance on optimization problems. Applied Soft Computing, vol. 23, no. 10, pp. 227−238.
![]() ![]() |
|
![]() ![]() ![]() |
![]() |