Dynamic Parameter Adaptation for Meta-Heuristic Optimization Algorithms Through Type-2 Fuzzy Logic / Olivas, Frumen  

Público ISBD Ningún comentario para este registro. Título : Dynamic Parameter Adaptation for Meta-Heuristic Optimization Algorithms Through Type-2 Fuzzy Logic Tipo de documento: documento electrónico Autores: Olivas, Frumen, ; Valdez, Fevrier, ; Castillo, Oscar, ; Melin, Patricia, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: VII, 105 p. 25 ilustraciones ISBN/ISSN/DL: 978-3-319-70851-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia Computacional  Inteligencia artificial Clasificación: 006.3 Resumen: En este libro se propone una metodología para la adaptación de parámetros en métodos de optimización metaheurística. Esta metodología se basa en el uso de métricas sobre la población de los métodos metaheurísticos, para decidir mediante un sistema de inferencia difusa los mejores valores de los parámetros que fueron cuidadosamente seleccionados para ser ajustados. Con esta modificación de parámetros queremos encontrar un mejor modelo del comportamiento del método de optimización, ya que con la modificación de parámetros estos afectarán directamente la forma en que se realiza la búsqueda global o local. Se utilizaron tres métodos de optimización diferentes para verificar la mejora de la metodología propuesta. En este caso los métodos de optimización son: PSO (Particle Swarm Optimization), ACO (Ant Colony Optimization) y GSA (Gravitational Search Algorithm), donde se seleccionan algunos parámetros para ajustarlos dinámicamente, y estos parámetros tienen el mayor impacto. en el comportamiento de cada método de optimización. Los resultados de la simulación muestran que la metodología propuesta ayuda a cada método de optimización a obtener mejores resultados que los resultados obtenidos por el método original sin ajuste de parámetros. Nota de contenido: Introduction -- Theory and Background -- Problems Statement -- Methodology -- Simulation Results -- Statistical Analysis and Comparison of Results. Tipo de medio : Computadora Summary : In this book, a methodology for parameter adaptation in meta-heuristic op-timization methods is proposed. This methodology is based on using met-rics about the population of the meta-heuristic methods, to decide through a fuzzy inference system the best parameter values that were carefully se-lected to be adjusted. With this modification of parameters we want to find a better model of the behavior of the optimization method, because with the modification of parameters, these will affect directly the way in which the global or local search are performed. Three different optimization methods were used to verify the improve-ment of the proposed methodology. In this case the optimization methods are: PSO (Particle Swarm Optimization), ACO (Ant Colony Optimization) and GSA (Gravitational Search Algorithm), where some parameters are se-lected to be dynamically adjusted, and these parameters have the most im-pact in the behavior of each optimization method. Simulation results show that the proposed methodology helps to each optimization method in obtaining better results than the results obtained by the original method without parameter adjustment. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Dynamic Parameter Adaptation for Meta-Heuristic Optimization Algorithms Through Type-2 Fuzzy Logic [documento electrónico] / Olivas, Frumen, ; Valdez, Fevrier, ; Castillo, Oscar, ; Melin, Patricia,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - VII, 105 p. 25 ilustraciones. ISBN : 978-3-319-70851-5 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia Computacional  Inteligencia artificial Clasificación: 006.3 Resumen: En este libro se propone una metodología para la adaptación de parámetros en métodos de optimización metaheurística. Esta metodología se basa en el uso de métricas sobre la población de los métodos metaheurísticos, para decidir mediante un sistema de inferencia difusa los mejores valores de los parámetros que fueron cuidadosamente seleccionados para ser ajustados. Con esta modificación de parámetros queremos encontrar un mejor modelo del comportamiento del método de optimización, ya que con la modificación de parámetros estos afectarán directamente la forma en que se realiza la búsqueda global o local. Se utilizaron tres métodos de optimización diferentes para verificar la mejora de la metodología propuesta. En este caso los métodos de optimización son: PSO (Particle Swarm Optimization), ACO (Ant Colony Optimization) y GSA (Gravitational Search Algorithm), donde se seleccionan algunos parámetros para ajustarlos dinámicamente, y estos parámetros tienen el mayor impacto. en el comportamiento de cada método de optimización. Los resultados de la simulación muestran que la metodología propuesta ayuda a cada método de optimización a obtener mejores resultados que los resultados obtenidos por el método original sin ajuste de parámetros. Nota de contenido: Introduction -- Theory and Background -- Problems Statement -- Methodology -- Simulation Results -- Statistical Analysis and Comparison of Results. Tipo de medio : Computadora Summary : In this book, a methodology for parameter adaptation in meta-heuristic op-timization methods is proposed. This methodology is based on using met-rics about the population of the meta-heuristic methods, to decide through a fuzzy inference system the best parameter values that were carefully se-lected to be adjusted. With this modification of parameters we want to find a better model of the behavior of the optimization method, because with the modification of parameters, these will affect directly the way in which the global or local search are performed. Three different optimization methods were used to verify the improve-ment of the proposed methodology. In this case the optimization methods are: PSO (Particle Swarm Optimization), ACO (Ant Colony Optimization) and GSA (Gravitational Search Algorithm), where some parameters are se-lected to be dynamically adjusted, and these parameters have the most im-pact in the behavior of each optimization method. Simulation results show that the proposed methodology helps to each optimization method in obtaining better results than the results obtained by the original method without parameter adjustment. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200