Temat: swarm intelligence - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: Swarm intelligence for network routing optimization
Autorzy:: Dempsey, P.
Schuster, A.
Tematy:: network routing
swarm intelligence
ant algorithms; Pokaż więcej
Wydawca:: Instytut Łączności - Państwowy Instytut Badawczy
Powiązania:: https://bibliotekanauki.pl/articles/309012.pdf Link otwiera się w nowym oknie
Opis:: This paper presents the results of a comparative study of network routing approaches. Recent advances in the field suggest that swarm intelligence may offer a robust, high quality solution. The overall aim of the study was to develop a framework to facilitate the empirical evaluation of a swarm intelligence routing approach compared to a conventional static and dynamic routing approach. This paper presents a framework for the simulation of computer networks, collection of performance statistics, generation and reuse of network topologies and traffic patterns.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Quantum inspired chaotic salpswarm optimization for dynamicoptimization
Autorzy:: Pathak, Sanjai
Mani, Ashish
Sharma, Mayank
Chatterjee, Amlan
Tematy:: computational intelligence
swarm intelligence
salp swarm algorithm
dynamic optimization
quantum computing; Pokaż więcej
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Powiązania:: https://bibliotekanauki.pl/articles/58810102.pdf Link otwiera się w nowym oknie
Opis:: Many real-world problems are dynamic optimization problems that are un-known beforehand. In practice, unpredictable events such as the arrival of newjobs, due date changes, and reservation cancellations, changes in parametersor constraints make the search environment dynamic. Many algorithms aredesigned to deal with stationary optimization problems, but these algorithmsdo not face dynamic optimization problems or manage them correctly. Al-though some optimization algorithms are proposed to deal with the changesin dynamic environments differently, there are still areas of improvement inexisting algorithms due to limitations or drawbacks, especially in terms of lo-cating and following the previously identified optima. With this in mind, westudied a variant of SSA known as QSSO, which integrates the principles ofquantum computing. An attempt is made to improve the overall performanceof standard SSA to deal with the dynamic environment effectively by locatingand tracking the global optima for DOPs. This work is an extension of theproposed new algorithm QSSO, known as the Quantum-inspired Chaotic SalpSwarm Optimization (QCSSO) Algorithm, which details the various approachesconsidered while solving DOPs. A chaotic operator is employed with quantumcomputing to respond to change and guarantee to increase individual searcha-bility by improving population diversity and the speed at which the algorithmconverges. We experimented by evaluating QCSSO on a well-known general-ized dynamic benchmark problem (GDBG) provided for CEC 2009, followedby a comparative numerical study with well-regarded algorithms. As promised,the introduced QCSSO is discovered as the rival algorithm for DOPs.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 3.

Tytuł:: Computer Training in the Global Society With Inspiration From Swarm Intelligence
Autorzy:: Janakova, Milena
Wydawca:: Studio NOA for University of Silesia in Katowice
Cytata wydawnicza:: Janakova Milena, 2013: Computer Training in the Global Society With Inspiration From Swarm Intelligence, [in] E-learning & Lifelong Learning. Monograph. Sc. Editor Eugenia Smyrnova-Trybulska, Studio Noa for University of Silesia in Katowice, Katowice-Cieszyn, pp. 477-484. ISBN 978-83-60071-66-3.
Opis:: This paper is centred on optimal computer training in the global society with a link to suitable course design. IT (information technology) competences create a wide range of knowledge and skills. The reason is application of diverse software. Education must respect ongoing dynamic changes. This reality requires optimal course design by auto-self structure. Swarm intelligence offers a good inspiration. Dynamic course structure is based on the evaluation of educational activities. This solution reflects student preferences (as pheromones) and supports better computer training.
Dostawca treści:: Repozytorium Centrum Otwartej Nauki

Artykuł

na półce

Skocz do pozycji: 4.

Tytuł:: Modification for Particle Swarm Optimization algorithm
Zmodyfikowany algorytm Particle Swarm Optimization
Autorzy:: Rozwoda, Paweł
Opis:: Particle Swarm optimization is collective behaviour algorithm for optimizing multi dimensional continuous functions. Swarm particles iteratively update positions in euclidean space in order to find minimal (or maximal) function value. This work contains work principle of PSO algorithm. I will also present modification for this algorithm and compare it's effectiveness with traditional PSO.
Particle Swarm Optimization jest stadnym algorytmem do optymalizowania ciągłych funkcji wielu zmiennych. Agenci stada w kolejnych iteracjach aktualizują swoje położenie w przestrzeni euklidesowej w celu poszukiwania minimalnej (bądź maksymalnej) wartości funkcji. W tej pracy znajduje się opis zasady działania algorytmu PSO. Zaprezentuję również modyfikację tej metody oraz porównanie skuteczności z jej pierwotną wersją.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 5.

Tytuł:: Improvements to Glowworm Swarm Optimization algorithm
Ulepszenia algorytmu Glowworm Swarm Optimization
Autorzy:: Oramus, P.
Tematy:: inteligencja roju
optymalizacja
swarm intelligence
glowworm swarm optimization
multimodal function optimization; Pokaż więcej
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Powiązania:: https://bibliotekanauki.pl/articles/305567.pdf Link otwiera się w nowym oknie
Opis:: Glowworm Swarm Optimization algorithm is applied for the simultaneous capture of multiple optima of multimodal functions. The algorithm uses an ensemble of agents, which scan the search space and exchange information concerning a fitness of their current position. The fitness is represented by a level of a luminescent quantity called luciferin. An agent moves in direction of randomly chosen neighbour, which broadcasts higher value of the luciferin. Unfortunately, in the absence of neighbours, the agent does not move at all. This is an unwelcome feature, because it diminishes the performance of the algorithm. Additionally, in the case of parallel processing, this feature can lead to unbalanced loads. This paper presents simple modifications of the original algorithm, which improve performance of the algorithm by limiting situations, in which the agent cannot move. The paper provides results of comparison of an original and modified algorithms calculated for several multimodal test functions.
Algorytm Glowworm Swarm Optimization jest stosowany do równoczesnego odnajdywania wielu optimów funkcji multimodalnych. Algorytm używa zespołu agentów przeszukujących przestrzeń poszukiwań i wymieniających się informacjami o wartości funkcji przystosowania w danym położeniu. Funkcja przystosowania jest reprezentowana przez poziom emitującego światło pigmentu - lucyferyny. Agenci poruszają się w kierunku losowo wybranego sąsiada, który rozgłasza wyższą wartość poziomu lucyferyny. Niestety w przypadku braku sąsiadów agent nie porusza się wcale. Stanowi to niepożądaną cechę algorytmu ograniczającą jego wydajność. W przypadku przetwarzania równoległego cecha ta może prowadzić do niezrównoważenia obciążenia. Praca ta przedstawia proste modyfikacje oryginalnego algorytmu zwiększające jego wydajność poprzez ograniczanie liczby takich sytuacji, w których agent nie może się poruszyć. Przedstawione zostały wyniki porównania pracy oryginalnego i zmodyfikowanych algorytmów dla kilku funkcji testowych.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 6.

Tytuł:: Implementation of multithreaded Particle Swarm Optimization algorithm
Implementacja wielowątkowego algorytmu Particle Swarm Optimization
Autorzy:: Rachwał, Szczepan
Opis:: This paper has been written with an intention to introduce the recipent to a problem of optimizing multidimensional functions. It covers a theoretical approach to this issue, defining the concept. The main goal of this paper is to present a version of Particle Swarm Optimization algorithm which has been improved in comparison to the original one. Both the formal definition, as well as a practical usage will be covered. A series of tests on different functions will be performed to target typical issues with Particle Swarm Optimization and their behavior in the proposed multithread algorithm version.A computer program written in Java is an integral part of this paper. It implements the proposed new version of the Particle Swarm Optimization algorithm, to demonstrate this new approach and its strengths.
Niniejsza praca ma na celu przybliżenie tematyki optymalizacji funkcji wielu zmiennych. Głównym jej założeniem jest przedstawienie optymalizacji skomplikowanych funkcji wielowymiarowych za pomocą ulepszonego algorytmu Particle Swarm Optimization. Zostanie zaprezentowana teoretyczna część tego zagadnienia, jak również działanie algorytmu na przykładach. Przybliżone zostaną również konkretne typy funkcji pozwalające zaprezentować mocne i słabe strony Particle Swarm Optimization.Ponadto, integralną częścią pracy jest również program komputerowy napisany w języku Java, w którym zostanie zaimplementowane wspomniane nowe podejście do zagadnienia Particle Swarm Optimization, eliminujące niektóre słabości oryginalnej wersji algorytmu.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 7.

Tytuł:: A comparative study on multi-swarm optimisation and bat algorithm for unconstrained non linear optimisation problems
Autorzy:: Baidoo, E.
Opoku Oppong, S
Tematy:: swarm intelligence
bio-inspired
bat algorithm
multi-swarm optimisation
nonlinear optimisation; Pokaż więcej
Wydawca:: Polskie Towarzystwo Promocji Wiedzy
Powiązania:: https://bibliotekanauki.pl/articles/117918.pdf Link otwiera się w nowym oknie
Opis:: A study branch that mocks-up a population of network of swarms or agents with the ability to self-organise is Swarm intelligence. In spite of the huge amount of work that has been done in this area in both theoretically and empirically and the greater success that has been attained in several aspects, it is still ongoing and at its infant stage. An immune system, a cloud of bats, or a flock of birds are distinctive examples of a swarm system. In this study, two types of meta-heuristics algorithms based on population and swarm intelligence - Multi Swarm Optimization (MSO) and Bat algorithms (BA) – are set up to find optimal solutions of continuous non-linear optimisation models. In order to analyze and compare perfect solutions at the expense of performance of both algorithms, a chain of computational experiments on six generally used test functions for assessing the accuracy and the performance of algorithms, in swarm intelligence fields are used. Computational experiments show that MSO algorithm seems much superior to BA.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 8.

Tytuł:: Zastosowanie algorytmów typu inteligencja roju w grach strategicznych
Applications of swarm intelligence algorithms in strategy games
Autorzy:: Biesikirski, Paweł
Opis:: In this master's thesis, a swarm intelligence based behaviour was designed and implemented in a strategy game, StarCraft II. The obtained solution is based on a decentralised cooperation of agents in game in order to defend a given point on a map and elastically adjust to a dynamically changing situation. The thesis contains a theoretical overview of swarm intelligence and a description of the designed algorithm. Results obtained for the preplanned measurement scenarios, which allow concluding about the efficiency of the solution, were also presented and discussed.
W ramach niniejszej pracy magisterskiej zaprojektowano i zaimplementowano zachowanie oparte na inteligencji roju w grze strategicznej StarCraft II. Uzyskane rozwiązanie opiera się na zdecentralizowanej współpracy agentów w grze w celu obrony zadanego punktu na mapie i elastycznym dostosowywaniu się jednostek do dynamicznie zmieniającej się sytuacji. W treści pracy zawarte zostało teoretyczne omówienie zagadnień związanych z inteligencją roju, jak również opis funkcjonowania zaprojektowanego algorytmu. Zaprezentowano i omówiono także wyniki uzyskane dla zaplanowanych scenariuszy pomiarowych, pozwalające wnioskować o efektywności rozwiązania.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 9.

Tytuł:: Swarm intelligence algorithm based on competitive predators with dynamic virtual teams
Autorzy:: Yang, S.
Sato, Y.
Tematy:: swarm intelligence
sitness predator optimizer
dynamic virtual team
population diversity; Pokaż więcej
Wydawca:: Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Powiązania:: https://bibliotekanauki.pl/articles/91592.pdf Link otwiera się w nowym oknie
Opis:: In our previous work, Fitness Predator Optimizer (FPO) is proposed to avoid premature convergence for multimodal problems. In FPO, all of the particles are seen as predators. Only the competitive, powerful predator that are selected as an elite could achieve the limited opportunity to update. The elite generation with roulette wheel selection could increase individual independence and reduce rapid social collaboration. Experimental results show that FPO is able to provide excellent performance of global exploration and local minima avoidance simultaneously. However, to the higher dimensionality of multimodal problem, the slow convergence speed becomes the bottleneck of FPO. A dynamic team model is utilized in FPO, named DFPO to accelerate the early convergence rate. In this paper, DFPO is more precisely described and its variant, DFPO-r is proposed to improve the performance of DFPO. A method of team size selection is proposed in DFPO-r to increase population diversity. The population diversity is one of the most important factors that determines the performance of the optimization algorithm. A higher degree of population diversity is able to help DFPO-r alleviate a premature convergence. The strategy of selection is to choose team size according to the higher degree of population diversity. Ten well-known multimodal benchmark functions are used to evaluate the solution capability of DFPO and DFPO-r. Six benchmark functions are extensively set to 100 dimensions to investigate the performance of DFPO and DFPO-r compared with LBest PSO, Dolphin Partner Optimization and FPO. Experimental results show that both DFPO and DFPO-r could demonstrate the desirable performance. Furthermore, DFPO-r shows better robustness performance compared with DFPO in experimental study.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 10.

Tytuł:: Fireworks Algorithm for Unconstrained Function Optimization Problems
Autorzy:: Baidoo, E.
Tematy:: Fireworks algorithm
Function optimization
swarm intelligence
Mathematical programming
Natural computing; Pokaż więcej
Wydawca:: Polskie Towarzystwo Promocji Wiedzy
Powiązania:: https://bibliotekanauki.pl/articles/117784.pdf Link otwiera się w nowym oknie
Opis:: Modern real world science and engineering problems can be classified as multi-objective optimisation problems which demand for expedient and efficient stochastic algorithms to respond to the optimization needs. This paper presents an object-oriented software application that implements a firework optimization algorithm for function optimization problems. The algorithm, a kind of parallel diffuse optimization algorithm is based on the explosive phenomenon of fireworks. The algorithm presented promising results when compared to other population or iterative based meta-heuristic algorithm after it was experimented on five standard ben-chmark problems. The software application was implemented in Java with interactive interface which allow for easy modification and extended expe-rimentation. Additionally, this paper validates the effect of runtime on the al-gorithm performance.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Informacja

Wyszukujesz frazę "swarm intelligence" wg kryterium: Temat