Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Comparative Analysis of Swarm-Based Metaheuristic Algorithms on Benchmark Functions Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

A Multi-cores Parallel Artificial Bee Colony Optimization Algorithm Based on Fork/Join Framework

verfasst von : Jiuyuan Huo, Liqun Liu

Erschienen in: Advances in Swarm Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

There are lots of computationally intensive tasks in optimization process of Artificial Bee Colony (ABC) algorithm, which requires large CPU processing time. To improve optimization precision and performance of the ABC algorithm, a parallel Multi-cores Parallel ABC algorithm (MPABC) was proposed based on the Fork/Join framework. The algorithm is to introduce the multi-populations’ parallel operation to guarantee population’s diversity, improve the global convergence ability and avoid falling into the local optimum. The performance of the original serial ABC algorithm and the MPABC algorithm was analyzed and compared based on four benchmark objective functions. The results show that the MPABC algorithm can achieve the speedup of 3.795 and the efficiency of 94.87% in solving complex problems. It can make full use of multi-core resources, improve the solution’s quality and efficiency, and have the advantages of low parallel cost and simple realizing process.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Improved Ant-Driven Approach to Navigation and Map Building
Nächstes Kapitel Identification of Common Structural Motifs in RNA Sequences Using Artificial Bee Colony Algorithm for Optimization
Literatur
1.
Tavares, L.G., Lopes, H.S., Lima, C.R.E.: A study of topology in insular parallel genetic algorithms. In: World Congress on Nature and Biologically Inspired Computing (NaBIC), pp. 632–635. IEEE (2009)
2.
Kennedy J., Eberhart R.: Particle swarm optimization. In: Proceedings of IEEE International Conference on Neural Networks, pp. 1942–1948 (1995)
3.
Fan, Q.Q., Yan, X.F.: Self-adaptive differential evolution algorithm with discrete mutation control parameters. Expert Syst. Appl. 42, 1551–1572 (2015)CrossRef
4.
Karaboga, D.: An idea based on honey bee swarm for numerical optimization. Technical report-tr06, Vol. 200. Erciyes university, engineering faculty, computer engineering department (2005)
5.
Zhu, X.P., Zhang, C., Yin, J.X.: Optimization of water diversion based on reservoir operating rules: analysis of the Biliu River reservoir. China J. Hydrol. Eng. 19, 411–421 (2014)CrossRef
6.
Tu, K.Y., Liang, Z.C.: Parallel computation models of particle swarm optimization implemented by multiple threads. Expert Syst. Appl. 38, 5858–5866 (2011)CrossRef
7.
Parpinelli, R.S., Benitez, C.M.V., Lopes, H.S.: Parallel approaches for the artificial bee colony algorithm. In: Panigrahi, B.K., Shi, Y., Lim, M.-H. (eds.) Handbook of Swarm Intelligence, pp. 329–345. Springer, Heidelberg (2011)CrossRef
8.
Konstantinos, E.P.: Parallel cooperative micro-particle swarm optimization: a master-slave model. Appl. Soft Comput. 12, 3552–3579 (2012)CrossRef
9.
Gardner, M., McNabb, A., Seppi, K.: A speculative approach to parallelization in particle swarm optimization. Swarm Intell. 6(2), 77–116 (2012)CrossRef
10.
Akancha, T., Afshar, M.A.: Implementation of parallel artificial bee colony algorithm on vehicle routing problem. Int. J. Adv. Res. Sci. Eng. (IJARSE) 2(5), 122–130 (2013)
11.
Lea, D.: A Java fork/join framework. In: Proceedings of the ACM 2000 Conference on Java Grande, pp. 36–43. ACM, June 2000
12.
Gao, W., Liu, S., Huang, L.: A global best artificial bee colony algorithm for global optimization. J. Comput. Appl. Math. 236(11), 2741–2753 (2012)MathSciNetCrossRefMATH
13.
Alba, E., Luque, G.: Evaluation of parallel metaheuristics. In: Parallel Problem Solving from Nature (PPSN-EMAA 2006). LNCS, vol. 4193, pp. 9–14 (2006)
14.
Karaboga, D., Akay, B., Ozturk, C.: Artificial bee colony (ABC) optimization algorithm for training feed-forward neural networks. In: Torra, V., Narukawa, Y., Yoshida, Y. (eds.) MDAI 2007. LNCS, vol. 4617, pp. 318–329. Springer, Heidelberg (2007). doi:10.​1007/​978-3-540-73729-2_​30 CrossRef
Metadaten
Titel
A Multi-cores Parallel Artificial Bee Colony Optimization Algorithm Based on Fork/Join Framework
verfasst von
Jiuyuan Huo
Liqun Liu
Copyright-Jahr
2017
Buch
Advances in Swarm Intelligence

Print ISBN: 978-3-319-61823-4

Electronic ISBN: 978-3-319-61824-1

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-61824-1_34

Premium Partner

    Bildnachweise