Evolving flexible beta basis function neural tree using extended genetic programming & Hybrid Artificial Bee Colony
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86099077" target="_blank" >RIV/61989100:27240/16:86099077 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1016/j.asoc.2016.03.006" target="_blank" >http://dx.doi.org/10.1016/j.asoc.2016.03.006</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.asoc.2016.03.006" target="_blank" >10.1016/j.asoc.2016.03.006</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Evolving flexible beta basis function neural tree using extended genetic programming & Hybrid Artificial Bee Colony
Popis výsledku v původním jazyce
In this paper, a new hybrid learning algorithm is introduced to evolve the flexible beta basis function neural tree (FBBFNT). The structure is developed using the Extended Genetic Programming (EGP) and the Beta parameters and connected weights are optimized by the Hybrid Artificial Bee Colony algorithm. This hybridization is essentially based on replacing the random Artificial Bee Colony (ABC) position with the guided Opposite -based Particle Swarm Optimization (OPSO) position. Such modification can minimize the delay which might be lead by the random position, in reaching the global solution. The performance of the proposed model is evaluated for benchmark problems drawn from time series prediction area and is compared with those of related methods.
Název v anglickém jazyce
Evolving flexible beta basis function neural tree using extended genetic programming & Hybrid Artificial Bee Colony
Popis výsledku anglicky
In this paper, a new hybrid learning algorithm is introduced to evolve the flexible beta basis function neural tree (FBBFNT). The structure is developed using the Extended Genetic Programming (EGP) and the Beta parameters and connected weights are optimized by the Hybrid Artificial Bee Colony algorithm. This hybridization is essentially based on replacing the random Artificial Bee Colony (ABC) position with the guided Opposite -based Particle Swarm Optimization (OPSO) position. Such modification can minimize the delay which might be lead by the random position, in reaching the global solution. The performance of the proposed model is evaluated for benchmark problems drawn from time series prediction area and is compared with those of related methods.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Applied Soft Computing
ISSN
1568-4946
e-ISSN
—
Svazek periodika
47
Číslo periodika v rámci svazku
Oct
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
16
Strana od-do
653-668
Kód UT WoS článku
000380935400048
EID výsledku v databázi Scopus
2-s2.0-84967110128