Improving convergence properties of a differential evolution algorithm

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F16%3A00000845" target="_blank" >RIV/46747885:24220/16:00000845 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/46747885:24510/16:00000845

Výsledek na webu

<a href="http://dx.doi.org/10.1063/1.4968451" target="_blank" >http://dx.doi.org/10.1063/1.4968451</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1063/1.4968451" target="_blank" >10.1063/1.4968451</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Improving convergence properties of a differential evolution algorithm

Popis výsledku v původním jazyce

The differential evolution is a popular and efficient way to solve complicated optimization tasks with manyvariables and constraints. In this article we study the ability of the differential evolution algorithms to attain the globalminimum of the cost function. We demonstrate that although often declared as a global optimizer the classic differentialevolution algorithm does not guarantee the convergence to the global minimum. To improve this weakness we design amodification of the classic differential evolution algorithm to enrich the diversity of its populations. This modificationlimits the premature convergence to local minima and ensures the asymptotic global convergence. We tested the modifiedalgorithm in numerical experiments and compared the efficiency in finding the global minimum for the classic andmodified algorithm. The modified algorithm is significantly more efficient with respect to the global convergence thanthe classic algorithm.

Název v anglickém jazyce

Improving convergence properties of a differential evolution algorithm

Popis výsledku anglicky

The differential evolution is a popular and efficient way to solve complicated optimization tasks with manyvariables and constraints. In this article we study the ability of the differential evolution algorithms to attain the globalminimum of the cost function. We demonstrate that although often declared as a global optimizer the classic differentialevolution algorithm does not guarantee the convergence to the global minimum. To improve this weakness we design amodification of the classic differential evolution algorithm to enrich the diversity of its populations. This modificationlimits the premature convergence to local minima and ensures the asymptotic global convergence. We tested the modifiedalgorithm in numerical experiments and compared the efficiency in finding the global minimum for the classic andmodified algorithm. The modified algorithm is significantly more efficient with respect to the global convergence thanthe classic algorithm.

Druh

D - Stať ve sborníku

CEP obor

BA - Obecná matematika

OECD FORD obor

—

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

AIP Conference Proceedings

ISBN

978-0-7354-1453-2

ISSN

0094-243X

e-ISSN

—

Počet stran výsledku

8

Strana od-do

—

Název nakladatele

American Institute of Physics Inc.

Místo vydání

New York

Místo konání akce

Sozopol, Bulgaria

Datum konání akce

1. 1. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—