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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Learning Convolutional Ranking-Score Function by Query Preference Regularization Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Chaotic Brain Storm Optimization Algorithm

verfasst von : Eva Tuba, Edin Dolicanin, Milan Tuba

Erschienen in: Intelligent Data Engineering and Automated Learning – IDEAL 2017

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Swarm intelligence algorithms are stochastic optimization algorithms that are very successfully used for hard optimization problems. Brain storm optimization is a recent swarm intelligence algorithm that has been proven successful in many applications but is still not researched enough. Many swarm intelligence algorithm have been recently improved by introduction of chaotic maps that better than random sequences contributed to search quality. In this paper we propose an improvement of the brain storm optimization algorithm by introducing chaotic maps. Two one-dimensional chaotic maps were incorporated into the original brain storm optimization algorithm. The proposed algorithms were tested on 15 standard benchmark functions from CEC 2013 and compared to the original brain storm optimization algorithm and particle swarm optimization. Our proposed chaos based methods obtained better results where for this set of benchmark functions circle maps were superior.

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 Is a Reputation Time Series White Noise?
Nächstes Kapitel Universum Discriminant Canonical Correlation Analysis
Literatur
1.
Cao, Z., Shi, Y., Rong, X., Liu, B., Du, Z., Yang, B.: Random grouping brain storm optimization algorithm with a new dynamically changing step size. In: Tan, Y., Shi, Y., Buarque, F., Gelbukh, A., Das, S., Engelbrecht, A. (eds.) ICSI 2015. LNCS, vol. 9140, pp. 357–364. Springer, Cham (2015). doi:10.​1007/​978-3-319-20466-6_​38 CrossRef
2.
Chen, J., Cheng, S., Chen, Y., Xie, Y., Shi, Y.: Enhanced brain storm optimization algorithm for wireless sensor networks deployment. In: Tan, Y., Shi, Y., Buarque, F., Gelbukh, A., Das, S., Engelbrecht, A. (eds.) ICSI 2015. LNCS, vol. 9140, pp. 373–381. Springer, Cham (2015). doi:10.​1007/​978-3-319-20466-6_​40 CrossRef
3.
Chen, J., Wang, J., Cheng, S., Shi, Y.: Brain storm optimization with agglomerative hierarchical clustering analysis. In: Tan, Y., Shi, Y., Li, L. (eds.) ICSI 2016. LNCS, vol. 9713, pp. 115–122. Springer, Cham (2016). doi:10.​1007/​978-3-319-41009-8_​12
4.
Gandomi, A., Yang, X.S., Talatahari, S., Alavi, A.: Firefly algorithm with chaos. Commun. Nonlinear Sci. Numer. Simul. 18(1), 89–98 (2013)MathSciNetCrossRefMATH
5.
6.
Gandomi, A.H., Alavi, A.H.: Krill herd: a new bio-inspired optimization algorithm. Commun. Nonlinear Sci. Numer. Simul. 17(12), 4831–4845 (2012)MathSciNetCrossRefMATH
7.
8.
Mitic, M., Vukovic, N., Petrovic, M., Miljkovic, Z.: Chaotic fruit fly optimization algorithm. Knowl.-Based Syst. 89, 446–458 (2015)CrossRef
9.
10.
Strumberger, I., Bacanin, N., Tuba, M.: Enhanced firefly algorithm for constrained numerical optimization. In: IEEE Congress on Evolutionary Computation (CEC), pp. 2120–2127. IEEE (2017)
11.
Strumberger, I., Bacanin, N., Tuba, M.: Hybridized krill herd algorithm for large-scale optimization problems. In: 15th International Symposium on Applied Machine Intelligence and Informatics (SAMI), pp. 473–478. IEEE (2017)
12.
Sun, C., Duan, H., Shi, Y.: Optimal satellite formation reconfiguration based on closed-loop brain storm optimization. IEEE Comput. Intell. Mag. 8(4), 39–51 (2013)CrossRef
13.
14.
Tuba, E., Alihodzic, A., Tuba, M.: Multilevel image thresholding using elephant herding optimization algorithm. In: 14th International Conference on Engineering of Modern Electric Systems (EMES), pp. 240–243. IEEE (2017)
15.
Tuba, E., Mrkela, L., Tuba, M.: Support vector machine parameter tuning using firefly algorithm. In: 26th International Conference Radioelektronika, pp. 413–418. IEEE (2016)
16.
Tuba, E., Tuba, M., Beko, M.: Support vector machine parameters optimization by enhanced fireworks algorithm. In: Tan, Y., Shi, Y., Niu, B. (eds.) ICSI 2016. LNCS, vol. 9712, pp. 526–534. Springer, Cham (2016). doi:10.​1007/​978-3-319-41000-5_​52
17.
Tuba, E., Tuba, M., Dolicanin, E.: Adjusted fireworks algorithm applied to retinal image registration. Stud. Inform. Control 26(1), 33–42 (2017)CrossRef
18.
Tuba, M., Bacanin, N.: Improved seeker optimization algorithm hybridized with firefly algorithm for constrained optimization problems. Neurocomputing 143, 197–207 (2014)CrossRef
19.
Tuba, M., Jovanovic, R.: Improved ACO algorithm with pheromone correction strategy for the traveling salesman problem. Int. J. Comput. Commun. Control 8(3), 477–485 (2013)CrossRef
20.
21.
Yuan, X., Zhao, J., Yang, Y., Wang, Y.: Hybrid parallel chaos optimization algorithm with harmony search algorithm. Appl. Soft Comput. 17, 12–22 (2014)CrossRef
22.
Zambrano-Bigiarini, M., Clerc, M., Rojas, R.: Standard particle swarm optimisation 2011 at CEC-2013: a baseline for future PSO improvements. In: IEEE Congress on Evolutionary Computation (CEC), pp. 2337–2344. IEEE (2013)
Metadaten
Titel
Chaotic Brain Storm Optimization Algorithm
verfasst von
Eva Tuba
Edin Dolicanin
Milan Tuba
Copyright-Jahr
2017
Buch
Intelligent Data Engineering and Automated Learning – IDEAL 2017

Print ISBN: 978-3-319-68934-0

Electronic ISBN: 978-3-319-68935-7

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68935-7_60

Premium Partner

    Bildnachweise