ASM-MOMA: Multiobjective Memetic Algorithm with Aggregate Surrogate Model
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F11%3A10105975" target="_blank" >RIV/00216208:11320/11:10105975 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985807:_____/11:00375286
Výsledek na webu
<a href="http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=5949753" target="_blank" >http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=5949753</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/CEC.2011.5949753" target="_blank" >10.1109/CEC.2011.5949753</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
ASM-MOMA: Multiobjective Memetic Algorithm with Aggregate Surrogate Model
Popis výsledku v původním jazyce
Abstract-Evolutionary algorithms generally require a large number of objective function evaluations which can be costly in practice. These evaluations can be replaced by evaluations of a cheaper meta-model (surrogate model) of the objective functions. Inthis paper we present a novel distance based aggregate surrogate model for multiobjective optimization and describe a memetic multiobjective algorithm based on this model. Various variants of the models are tested and discussed and the algorithm is compared to standard multiobjective evolutionary algorithms. We show that our algorithm greatly reduces the number of required objective function evaluations.
Název v anglickém jazyce
ASM-MOMA: Multiobjective Memetic Algorithm with Aggregate Surrogate Model
Popis výsledku anglicky
Abstract-Evolutionary algorithms generally require a large number of objective function evaluations which can be costly in practice. These evaluations can be replaced by evaluations of a cheaper meta-model (surrogate model) of the objective functions. Inthis paper we present a novel distance based aggregate surrogate model for multiobjective optimization and describe a memetic multiobjective algorithm based on this model. Various variants of the models are tested and discussed and the algorithm is compared to standard multiobjective evolutionary algorithms. We show that our algorithm greatly reduces the number of required objective function evaluations.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GAP202%2F11%2F1368" target="_blank" >GAP202/11/1368: Učení funkcionálních vztahů z vysoce dimenzionálních dat</a><br>
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of 2011 IEEE Congress on Evolutionary Computation (CEC)
ISBN
978-1-4244-7834-7
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1202-1208
Název nakladatele
IEEE Computer Society
Místo vydání
New Orleans, USA
Místo konání akce
New Orleans, USA
Datum konání akce
5. 6. 2011
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—