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:
A Two-Armed Bandit Collective for Hierarchical Examplar Based Mining of Frequent Itemsets with Applications to Intrusion Detection Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

Extended Learning Method for Designation of Co-operation

verfasst von : Edyta Kucharska, Ewa Dudek-Dyduch

Erschienen in: Transactions on Computational Collective Intelligence XIV

Verlag: Springer Berlin Heidelberg

Einloggen

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

search-config
loading …

Abstract

The aim of the paper is to present a new machine learning method for determining intelligent co-operation at project realization. The method uses local optimization task of a special form and is based on learning idea. Additionally, the information gathered during a searching process is used to prune non-perspective solutions. The paper presents a formal approach to creation of constructive algorithms that use a sophisticated local optimization and are based on a formal definition of multistage decision process. It also proposes a general conception of creation local optimization tasks for different problems as well as a conception of local optimization task modification on basis of acquired information. To illustrate the conceptions, the learning algorithm for NP-hard scheduling problem is presented as well as results of computer experiments.

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 Conflict Compensation, Redundancy and Similarity in DataBases Federation
Nächstes Kapitel Methods of Prediction Improvement in Efficient MPC Algorithms Based on Fuzzy Hammerstein Models
Literatur
1.
Bolc, L., Cytowski, J.: Search Methods for Artificial Intelligence. Academic Press, London (1992)MATH
2.
Cherkassky, V., Mulier, F.: Learning from Data: Concepts, Theory, and Methods. Wiley, New York (2007)CrossRef
3.
Dudek-Dyduch, E.: Formalization and analysis of problems of discrete manufacturing processes. Automatics, vol. 54, (in Polish) (1990) (Scientific bulletin of AGH University)
4.
Dudek-Dyduch, E.: Control of discrete event processes - branch and bound method. In: Proceedings of IFAC/Ifors/Imacs Symposium Large Scale Systems: Theory and Applications, Chinese Association of Automation, vol. 2, pp. 573–578 (1992)
5.
Dudek-Dyduch, E.: Learning based algorithm in scheduling. J. Intell. Manuf. 11(2), 135–143 (2000)CrossRef
6.
Dudek-Dyduch, E., Dutkiewicz, L.: Substitution task method for NP-hard scheduling problems. Automatics vol. 143, pp. 57–66 (in Polish) (2006) (Scientific bulletin of Silesian University of Technology)
7.
Dudek-Dyduch, E., Dyduch, T.: Learning algorithms for scheduling using knowledge based model. In: Rutkowski, L., Tadeusiewicz, R., Zadeh, L.A., Żurada, J.M. (eds.) ICAISC 2006. LNCS (LNAI), vol. 4029, pp. 1091–1100. Springer, Heidelberg (2006)CrossRef
8.
Dudek-Dyduch, E., Fuchs-Seliger, S.: Approximate algorithms for some tasks in management and economy. Syst. Model. Control. 1(7), 148–152 (1993)
9.
Dudek-Dyduch, E., Kucharska, E.: Learning method for co-operation. In: Jędrzejowicz, P., Nguyen, N.T., Hoang, K. (eds.) ICCCI 2011, Part II. LNCS(LNAI), vol. 6923, pp. 290–300. Springer, Heidelberg (2011). ISSN 0302-9743, ISBN 978-3-642-23937-3
10.
Flach, P.: Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press, Cambridge (2012)CrossRef
11.
Jędrzejowicz, P.: A-teams and their applications. In: Nguyen, N.T., Kowalczyk, R., Chen, S.M., et al. (eds.) ICCCI 2009. LNCS, vol. 5796, pp. 36–50. Springer, Heidelberg (2009)CrossRef
12.
Kolish, R., Drexel, A.: Adaptive Search for Solving Hard Project Scheduling Problems. Naval Research Logistics, vol.42 (1995)
13.
Kucharska, E.: Application of an algebraic-logical model for optimization of scheduling problems with retooling time depending on system state. Ph.D. thesis (in Polish) (2006)
14.
Priore, P., de la Fuente, D., Puente, J., Parreño, J.: A comparison of machine-learning algorithms for dynamic scheduling of flexible manufacturing systems. Eng. Appl. Artif. Intell. 19(3), 247–255 (2006)CrossRef
15.
Sprecher, A., Kolish, R., Drexel, A.: Semiactive, active and not delay schedules for the resource constrained project scheduling problem. Eur. J. Oper. Res. 80, 94–102 (1993)CrossRef
16.
Śnieżyński, B.: Resource management in a multi-agent system by means of reinforcement learning and supervised rule learning. In: Shi, Y., van Albada, G.D., Dongarra, J., Sloot, P.M.A. (eds.) ICCS 2007, Part II. LNCS, vol. 4488, pp. 864–871. Springer, Heidelberg (2007)CrossRef
17.
Tadeusiewicz, R.: New trends in neurocybernetics. Comput. Meth. Mater. Sci. 10(1), 1–7 (2010)
Metadaten
Titel
Extended Learning Method for Designation of Co-operation
verfasst von
Edyta Kucharska
Ewa Dudek-Dyduch
Copyright-Jahr
2014
Verlag
Springer Berlin Heidelberg
Buch
Transactions on Computational Collective Intelligence XIV

Print ISBN: 978-3-662-44508-2

Electronic ISBN: 978-3-662-44509-9

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-662-44509-9_7