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

Comparison of Differential Evolution Algorithms on the Mapping Between Problems and Penalty Parameters

verfasst von : Chengyong Si, Jianqiang Shen, Xuan Zou, Lei Wang

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

Penalty parameters play a key role when adopting the penalty function method for solution ranking. In the previous study, a corresponding relationship between the constrained optimization problems and the penalty parameters was constructed. This paper tries to verify whether the relationship is related with the evolutionary algorithms (EAs), i.e., how the EAs influence the relationship. Two differential evolution algorithms are taken as an example. Experimental results confirm the influence and show that an improved EA will enlarge the available value of corresponding penalty parameter, especially for the intermittent relationship. The findings also prove that EA can make up the shortcoming of constraint handling techniques to some extent.

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 Adaptive Differential Evolution with Learning Parameters According to Groups Defined by the Rank of Objective Values
Nächstes Kapitel Cooperation Coevolution Differential Evolution with Gradient Descent Strategy for Large Scale
Literatur
1.
Mezura-Montes, E., Coello, C.A.C.: A simple multimembered evolution strategy to solve constrained optimization problems. IEEE Trans. Evol. Comput. 9(1), 1–17 (2005)CrossRefMATH
2.
Mezura-Montes, E., Coello, C.A.C.: Constraint-handling in nature-inspired numerical optimization: past, present and future. Swarm Evol. Comput. 1(4), 173–194 (2011)CrossRef
3.
Li, X., Yao, X.: Cooperatively coevolving particle swarm for large scale optimization. IEEE Tran. Evol. Comput. 16(2), 210–224 (2012)MathSciNetCrossRef
4.
Zhao, S.Z., Suganthan, P.N., Zhang, Q.: Decomposition based multiobjetive evolutionary algorithm with an ensemble of neighborhood sizes. IEEE Trans. Evol. Comput. 16(3), 442–446 (2012)CrossRef
5.
Mallipeddi, R., Suganthan, P.N.: Ensemble of constraint handling techniques. IEEE Tran. Evol. Comput. 14(4), 561–579 (2010)CrossRef
6.
Wang, Y., Cai, Z., Zhou, Y., Zeng, W.: An adaptive tradeoff model for constrained evolutionary optimization. IEEE Trans. Evol. Comput. 12(1), 80–92 (2008)CrossRef
7.
Michalewicz, Z.: Quo Vadis, evolutionary computation? on a growing gap between theory and practice. In: Liu, J., Alippi, C., Bouchon-Meunier, B., Greenwood, Garrison W., Abbass, Hussein A. (eds.) WCCI 2012. LNCS, vol. 7311, pp. 98–121. Springer, Heidelberg (2012). doi:10.​1007/​978-3-642-30687-7_​6 CrossRef
8.
Tsang, E., Kwan, A.: Mapping constraint satisfaction problems to algorithms and heuristics. Technical report, CSM-198 (1993)
9.
Mezura-Montes, E., Miranda-Varela, M.E., Gómez-Ramón, R.C.: Differential evolution in constrained numerical optimization: an empirical study. Inform. Sci. 180(22), 4223–4262 (2010)MathSciNetCrossRefMATH
10.
Gibbs, M., Maier, H., Dandy, G.: Relationship between problem characteristics and the optimal number of genetic algorithm generations. Eng. Optim. 43(4), 349–376 (2011)CrossRef
11.
Si, C., Wang, L., Wu, Q.: Mapping constrained optimization problems to algorithms and constraint handling techniques. In: Proceedings of the CEC, pp. 3308–3315 (2012)
12.
Si, C., Hu, J., Lan, T., Wang, L., Wu, Q.: A combined constraint handling framework: an empirical study. Memet. Comput. 9(1), 69–88 (2017)CrossRef
13.
Si, C., Shen, J., Zou, X., Wang, L., Wu, Q.: Mapping constrained optimization problems to penalty parameters: an empirical study. In: Proceedings of the CEC, pp. 3073–3079 (2014)
14.
Storn, R., Price, K.: Differential evolution: a simple and efficient adaptive scheme for global optimization over continuous spaces. Technical report, TR-95-012 (1995)
15.
Das, S., Suganthan, P.N.: Differential evolution: a survey of the state-of-the-art. IEEE Trans. Evol. Comput. 15(1), 4–31 (2011)CrossRef
16.
Menchaca-Mendez, K., Coello Coello, C.A.: Solving multiobjective optimization problems using differential evolution and a maximin selection criterion. In: Proceedings of the CEC, pp. 3143–3150 (2012)
17.
Wang, Y., Cai, Z., Zhang, Q.: Differential evolution with composite trial vector generation strategies and control parameters. IEEE Trans. Evol. Comput. 15(1), 55–66 (2011)CrossRef
18.
Si, C., Lan, T., Hu, J., Wang, L., Wu, Q.: On the penalty parameter of the penalty function method. Control Decis. 9, 1707–1710 (2014)
19.
Liang, J.J., Runarsson, T.P., Mezura-Montes, E., Clerc, M., Suganthan, P.N., Coello Coello, C.A., Deb, K.: Problem definitions and evaluation criteria for the CEC 2006. Technical report, Special Session on Constrained Real-Parameter Optimization (2006)
Metadaten
Titel
Comparison of Differential Evolution Algorithms on the Mapping Between Problems and Penalty Parameters
verfasst von
Chengyong Si
Jianqiang Shen
Xuan Zou
Lei Wang
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_46

Premium Partner

    Bildnachweise