Enhancing a hierarchical evolutionary strategy using the nearest-better clustering

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F24%3A63580358" target="_blank" >RIV/70883521:28140/24:63580358 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-031-63759-9_43" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-63759-9_43</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-63759-9_43" target="_blank" >10.1007/978-3-031-63759-9_43</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Enhancing a hierarchical evolutionary strategy using the nearest-better clustering

Popis výsledku v původním jazyce

A straightforward way of solving global optimization problems is to find all local optima of the objective function. Therefore, the ability of detecting multiple local optima is a key feature of a practically usable global optimization method. One of such methods is a multi-population evolutionary strategy called the Hierarchic Memetic Strategy (HMS). Although HMS has already proven its global optimization capabilities there is an area for improvement. In this paper we show such an enhancement resulting from the application of the Nearest-Better Clustering. Results of experiments consisting both of curated benchmarks and a real-world inverse problem show that on average the performance is indeed improved compared to the baseline HMS and remains on par with state-of-the-art evolutionary global optimization methods.

Název v anglickém jazyce

Enhancing a hierarchical evolutionary strategy using the nearest-better clustering

Popis výsledku anglicky

A straightforward way of solving global optimization problems is to find all local optima of the objective function. Therefore, the ability of detecting multiple local optima is a key feature of a practically usable global optimization method. One of such methods is a multi-population evolutionary strategy called the Hierarchic Memetic Strategy (HMS). Although HMS has already proven its global optimization capabilities there is an area for improvement. In this paper we show such an enhancement resulting from the application of the Nearest-Better Clustering. Results of experiments consisting both of curated benchmarks and a real-world inverse problem show that on average the performance is indeed improved compared to the baseline HMS and remains on par with state-of-the-art evolutionary global optimization methods.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GF21-45465L" target="_blank" >GF21-45465L: Metaheuristicky založená parametrická optimalizace modelů a řídicích systémů s dopravním zpožděním</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2024

Kód důvěrnosti údajů

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

Název statě ve sborníku

Computational Science, ICCS 2024, pt III

ISBN

978-3-031-63758-2

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

15

Strana od-do

423-437

Název nakladatele

Springer International Publishing AG

Místo vydání

Basel

Místo konání akce

Malaga

Datum konání akce

2. 7. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001279325500043