Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Self-learning Genetic Algorithm for Neural Network Topology Optimization

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F47813059%3A19520%2F15%3A%230003693" target="_blank" >RIV/47813059:19520/15:#0003693 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-319-19728-9_15" target="_blank" >http://dx.doi.org/10.1007/978-3-319-19728-9_15</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-19728-9_15" target="_blank" >10.1007/978-3-319-19728-9_15</a>

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Self-learning Genetic Algorithm for Neural Network Topology Optimization

  • Popis výsledku v původním jazyce

    The aim of this paper is presentation of encoding for self-adaptation of genetic algorithms which is suitable for neural network topology optimization. Comparing to previous approaches there is designed the encoding for self-adaptation not only one parameter or several ones but for all possible parameters of genetic algorithms at the same time. The proposed self-learning genetic algorithm is compared with a standard genetic algorithm. The main advantage of this approach is that it makes possible to solve wide range of optimization problems without setting parameters for each type of problem in advance.

  • Název v anglickém jazyce

    Self-learning Genetic Algorithm for Neural Network Topology Optimization

  • Popis výsledku anglicky

    The aim of this paper is presentation of encoding for self-adaptation of genetic algorithms which is suitable for neural network topology optimization. Comparing to previous approaches there is designed the encoding for self-adaptation not only one parameter or several ones but for all possible parameters of genetic algorithms at the same time. The proposed self-learning genetic algorithm is compared with a standard genetic algorithm. The main advantage of this approach is that it makes possible to solve wide range of optimization problems without setting parameters for each type of problem in advance.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2015

  • 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

    Smart Innovation Systems and Technologies. Agent and Multi-Agent Systems: Technologies and Applications

  • ISBN

    978-3-319-19728-9

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    10

  • Strana od-do

    179-188

  • Název nakladatele

    Springer International Publishing

  • Místo vydání

    Heidelberg

  • Místo konání akce

    Sorrento

  • Datum konání akce

    17. 6. 2015

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000359295700015