Testing Different Particle Swarm Optimization Strategies
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23210%2F17%3A43949489" target="_blank" >RIV/49777513:23210/17:43949489 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Testing Different Particle Swarm Optimization Strategies
Popis výsledku v původním jazyce
The paper deals with testing different strategies - Inertia Weight Strategies, Constriction Factors and Interpersonal Learning – of a Particle Swarm Optimization implemented in a simulation optimizer. The strategies were tested on five different discrete event simulation models reflecting real optimization problems in industrial companies. We specified different objective functions of discrete event simulation models considering the simulated system. We tested different settings of the strategies to reduce bad settings. We replicated optimization experiments with concrete optimization method parameters settings to reduce the randomness of the behaviour of the optimization method strategies. We evaluated the success of finding the optimum by the different PSO strategies according to other optimization methods - Random Search, Downhill Simplex, Hill Climbing, Tabu Search, Local Search, Simulated Annealing, Evolution Strategy, Differential Evolution and Self Organizing Migrating Algorithm.
Název v anglickém jazyce
Testing Different Particle Swarm Optimization Strategies
Popis výsledku anglicky
The paper deals with testing different strategies - Inertia Weight Strategies, Constriction Factors and Interpersonal Learning – of a Particle Swarm Optimization implemented in a simulation optimizer. The strategies were tested on five different discrete event simulation models reflecting real optimization problems in industrial companies. We specified different objective functions of discrete event simulation models considering the simulated system. We tested different settings of the strategies to reduce bad settings. We replicated optimization experiments with concrete optimization method parameters settings to reduce the randomness of the behaviour of the optimization method strategies. We evaluated the success of finding the optimum by the different PSO strategies according to other optimization methods - Random Search, Downhill Simplex, Hill Climbing, Tabu Search, Local Search, Simulated Annealing, Evolution Strategy, Differential Evolution and Self Organizing Migrating Algorithm.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20301 - Mechanical engineering
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2017
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 the 30th International Business Information Management Association Conference (IBIMA)
ISBN
978-0-9860419-9-0
ISSN
—
e-ISSN
—
Počet stran výsledku
22
Strana od-do
3444-3465
Název nakladatele
International Business Information Management Association
Místo vydání
Norristown
Místo konání akce
Madrid, Spain
Datum konání akce
8. 11. 2017
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000443640502091