Dependency of GPA-ES Algorithm Efficiency on ES Parameters Optimization Strength

Zobrazit minimální záznam

dc.contributor.author Brandejský, Tomáš cze
dc.date.accessioned 2020-03-19T12:53:56Z
dc.date.available 2020-03-19T12:53:56Z
dc.date.issued 2019 eng
dc.identifier.issn 1859-2244 eng
dc.identifier.uri https://hdl.handle.net/10195/74934
dc.description.abstract In herein presented work, the relation between number of ES iterations and convergence of the whole GPA-ES hybrid algorithm will be studied due to increasing needs to analyze and model large data sets. Evolutionary algorithms are applicable in the areas which are not covered by other artificial intelligence or soft computing techniques like neural networks and deep learning like search of algebraic model of data. The difference between time and algorithmic complexity will be also mentioned as well as the problems of multitasking implementation of GPA, where external influences complicate increasing of GPA efficiency via Pseudo Random Number Generator (PRNG) choice optimization. Hybrid evolutionary algorithms like GPA-ES uses GPA for solution structure development and Evolutionary Strategy (ES) for parameters identification are controlled by many parameters. The most significant are sizes of GPA population and sizes of ES populations related to each particular individual in GPA population. There is also limit of ES algorithm evolutionary cycles. This limit plays two contradictory roles. On one side bigger number of ES iterations means less chance to omit good solution for wrongly identified parameters, on the opposite side large number of ES iterations significantly increases computational time and thus limits application domain of GPA-ES algorithm. eng
dc.format p. 304-311 eng
dc.language.iso eng eng
dc.publisher Ton Duc Thang University
dc.relation.ispartof Journal of Advanced Engineering and Computation, volume 3, issue: 1 eng
dc.rights open access (CC BY 4.0) eng
dc.rights.uri https://creativecommons.org/licenses/by/4.0/
dc.subject Genetic Programming Algorithm eng
dc.subject Evolutionary Strategy eng
dc.subject Hybrid Evolutionary System eng
dc.subject Algorithm Efficiency eng
dc.subject Optimization. eng
dc.subject Algoritmus genetického programování cze
dc.subject Evoluční Strategie cze
dc.subject Hybridní evoluční systém cze
dc.subject Efektivita algoritmu cze
dc.subject Optimalizace. cze
dc.title Dependency of GPA-ES Algorithm Efficiency on ES Parameters Optimization Strength eng
dc.title.alternative Závislost efektivity GPA-ES algoritmu na optimalizační síle ES cze
dc.type article eng
dc.description.abstract-translated Ve zde presentované práci bude studována závislost mezi počtem ES iterací a konvergencí celého hybridního algoritmu GPA-ES vzhlůedem k rostoucí potřebě analýzy a modelování rozsáhlých množin dat. Evoluční algoritmy jsou aplikovatelné v těch oblastech, které nejsou pokryty jinýi technikami umělé inteligence nebo soft computingu, jako jsou umělé neuronové šítě a deep learning jako hledání algebraických modelů dat. Rozdíl mezi časovou a algoritmickou složitostí bude rovněž zmíněn, stejně jako problémy víceúlohové implementace GPA, kde externí vlivy komplikují zlepšení efektivity GPA optimalizací výběru pseudonáhodných generatorů náhodných čísel (PRNG). Hybridní evoluční algoritmy jako GPA-ES užívají GPA pro hledání struktury a Evoluční Strategii (ES) pro identifikaci parameterů jsou řízeny mnoha parametery. Nejvýznamnější jsou velikost GPA populace a velikost ES populací příslušných ke každěmu jednotlivému jedinci v GPA populaci. Je zde také limit evolučních cyklů ES algoritmu. Tento limit hraje dvě protichůdné role. Na jedné straně vyšší počet ES iterací znamená nižší šanci na zamítnutí dobrého řešení pro špatně identifikované parametry, na druhé straně vysoký počet ES iterací významně zvyšuje výpočetní čas a tudíž limituje aplikační oblast GPA-ES algoritmu. cze
dc.peerreviewed yes eng
dc.publicationstatus published version eng
dc.identifier.doi 10.25073/jaec.201931.226 eng
dc.relation.publisherversion http://jaec.vn/index.php/JAEC/article/view/226/99 eng
dc.project.ID EF17_049/0008394/Spolupráce Univerzity Pardubice a aplikační sféry v aplikačně orientovaném výzkumu lokačních, detekčních a simulačních systémů pro dopravní a přepravní procesy (PosiTrans) eng
dc.identifier.obd 39883135 eng


Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam

open access (CC BY 4.0) Kromě případů, kde je uvedeno jinak, licence tohoto záznamu je open access (CC BY 4.0)

Vyhledávání


Rozšířené hledání

Procházet

Můj účet