Adaptivní diferenciální dvoluce: Aplicace v nelineární regresi
Popis výsledku
V článku jsou popsány různé přístupy k adaptaci řídicích parametrů v algoritmu diferenciální evoluce. Pět variant adaptivní diferenciální evoluce bylo experimentálně porovnáno v ulohách odhadu parametrů nelineárních regresních modelů na úlohách NIST se specializovaným CRS algorimem. Efektivnost dvou variant byla téměř srovnatelná s algoritmem CRS.
Klíčová slova
Global optimizationdifferential evolutionself-adaptation of control parametersnonlinear regression
Identifikátory výsledku
Kód výsledku v IS VaVaI
Nalezeny alternativní kódy
RIV/61988987:17310/07:A1000LAQ
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Adaptive Differential Evolution: Application to Nonlinear Regression
Popis výsledku v původním jazyce
Adaptation of control parameters in differential evolution is considered. Five adaptive variants of differential evolution are applied to the estimation of parameters in nonlinear regression models and their performance is compared experimentally with the adaptive controlled random search algorithm tailored especially for these problems. The NIST nonlinear regression datasets are used as a benchmark. Two of five tested variants of adaptive differential evolution perform almost as reliable as the adaptive controlled random search algorithm and one of these two variants converges only slightly slower and its time requirements are almost comparable with the adaptive controlled random search.
Název v anglickém jazyce
Adaptive Differential Evolution: Application to Nonlinear Regression
Popis výsledku anglicky
Adaptation of control parameters in differential evolution is considered. Five adaptive variants of differential evolution are applied to the estimation of parameters in nonlinear regression models and their performance is compared experimentally with the adaptive controlled random search algorithm tailored especially for these problems. The NIST nonlinear regression datasets are used as a benchmark. Two of five tested variants of adaptive differential evolution perform almost as reliable as the adaptive controlled random search algorithm and one of these two variants converges only slightly slower and its time requirements are almost comparable with the adaptive controlled random search.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
BB - Aplikovaná statistika, operační výzkum
OECD FORD obor
—
Návaznosti výsledku
Projekt
GA201/05/0284: Evoluční algoritmy se soutěžícími a spolupracujícími heuristikami
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2007
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 International Multiconference on Computer Science and Information Technology
ISBN
—
ISSN
1896-7094
e-ISSN
—
Počet stran výsledku
10
Strana od-do
193-202
Název nakladatele
PTI
Místo vydání
Wisla
Místo konání akce
Wisla
Datum konání akce
15. 10. 2007
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—
Základní informace
Druh výsledku
D - Stať ve sborníku
CEP
BB - Aplikovaná statistika, operační výzkum
Rok uplatnění
2007