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:
Buchtitelbild

2015 | OriginalPaper | Buchkapitel

Efficiency and Effectiveness Metrics in Evolutionary Algorithms and Their Application

verfasst von : Guo-Sheng Hao, Chang-Shuai Chen, Gai-Ge Wang, Yong-Qing Huang, De-Xuan Zhou, Zhao-Jun Zhang

Erschienen in: Intelligent Computing Theories and Methodologies

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Efficiency and effectiveness are two important metrics for the evaluation of evolutionary algorithms (EAs). Firstly, there exist a number of efficiency metrics in EA, such as population size, number of termination generation, space complexity, and time complexity and so on. But the relationship of these metrics is left untouched. And evaluating or comparing EAs with one of these metrics or using them separately is unfair. Therefore it is necessary to consider their relationship and give proper metrics combination. We conclude that the product of population size and number of generation should be less than the value of search space size, and the product of time complexity and space complexity should also be less than a constant. Secondly, we study the relationship between efficiency and effectiveness. Based on these two metrics, we conclude that not only EAs can be compared, but also problems hardness can be measured. The results reveal important insights of EAs and problems hardness.

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
Nächstes Kapitel A Genetic Local Search Algorithm for Optimal Testing Resource Allocation in Module Software Systems
Literatur
1.
Yang, X.-S.: Nature-Inspired Optimization Algorithms. Elsevier, Oxford (2014)MATH
2.
Malan, K.M., Engelbrecht, A.P.: Ruggedness, funnels and gradients in fitness landscapes and the effect on PSO performance. Paper presented at the 2013 IEEE Congress on Evolutionary Computation (CEC), 20–23 Jun 2013
3.
Xin, B., Chen, J., Pan, F.: Problem difficulty analysis for particle swarm optimization: deception and modality. In: Proceedings of the First ACM/SIGEVO Summit on Genetic and Evolutionary Computation, Shanghai, China, pp. 629–630 (2009)
4.
Gras, R.: How efficient are genetic algorithms to solve high epistasis deceptive problems? Paper presented at the IEEE World Congress on Computational Intelligence, 1–6 Jun 2008
5.
Smith-Miles, K., Lopes, L.: Measuring instance difficulty for combinatorial optimization problems. Comput. Oper. Res. 39(5), 875–889 (2012). Elsevier B.VMathSciNetCrossRefMATH
6.
7.
Jin, Y., Sendhoff, B.: Trade-off between performance and robustness: an evolutionary multiobjective approach. In: Fonseca, C.M., Fleming, P.J., Zitzler, E., Deb, K., Thiele, L. (eds.) EMO 2003. LNCS, vol. 2632, pp. 237–251. Springer, Heidelberg (2003)CrossRef
8.
Deb, K., Jain, S.: Running performance metrics for evolutionary multi-objective optimizations. Paper presented at the Proceedings of the Fourth Asia-Pacific Conference on Simulated Evolution and Learning (SEAL 2002), Singapore (2002)
9.
10.
Lu, C.-C., Yu, V.F.: Data envelopment analysis for evaluating the efficiency of genetic algorithms on solving the vehicle routing problem with soft time windows. Comput. Ind. Eng. 63(2), 520–529 (2012). doi:10.​1016/​j.​cie.​2012.​04.​005 CrossRef
11.
Jin, Y.: Surrogate-assisted evolutionary computation: recent advances and future challenges. Swarm Evol. Comput. 1(2), 61–70 (2011)CrossRef
12.
Cooper, J., Hinde, C.: Improving genetic algorithms’ efficiency using intelligent fitness functions. In: Chung, P.H., Hinde, C., Ali, M. (eds.) IEA/AIE 2003. LNCS, vol. 2718, pp. 636–643. Springer, Heidelberg (2003)CrossRef
13.
Sastry, K., Goldberg, D.E., Pelikan, M.: Efficiency enhancement of probabilistic model building genetic algorithms. In: Illinois Genetic Algorithms Laboratory (2004)
14.
Sastry, K., Pelikan, M., Goldberg, D.: Efficiency enhancement of estimation of distribution algorithms. In: Pelikan, M., Sastry, K., CantúPaz, E. (eds.) Scalable Optimization via Probabilistic Modeling. Studies in Computational Intelligence, vol. 33, pp. 161–185. Springer, Heidelberg (2006)CrossRef
15.
Tvrdík, J., Misik, L., Krivy, I.: Competing heuristics in evolutionary algorithms. In: Intelligent Technologies-Theory and Applications, pp. 159–165 (2002)
16.
Metadaten
Titel
Efficiency and Effectiveness Metrics in Evolutionary Algorithms and Their Application
verfasst von
Guo-Sheng Hao
Chang-Shuai Chen
Gai-Ge Wang
Yong-Qing Huang
De-Xuan Zhou
Zhao-Jun Zhang
Copyright-Jahr
2015
Buch
Intelligent Computing Theories and Methodologies

Print ISBN: 978-3-319-22185-4

Electronic ISBN: 978-3-319-22186-1

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-22186-1_1