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:
Semi-Markov Model of a Swarm Functioning Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Galactic Gravitational Search Algorithm for Numerical Optimization

verfasst von : Sheng Li, Fenggang Yuan, Yang Yu, Junkai Ji, Yuki Todo, Shangce Gao

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

The gravitational search algorithm (GSA) has proven to be a good optimization algorithm to solve various optimization problems. However, due to the lack of exploration capability, it often traps into local optima when dealing with complex problems. Hence its convergence speed will slow down. A clustering-based learning strategy (CLS) has been applied to GSA to alleviate this situation, which is called galactic gravitational search algorithm (GGSA). The CLS firstly divides the GSA into multiple clusters, and then it applies several learning strategies in each cluster and among clusters separately. By using this method, the main weakness of GSA that easily trapping into local optima can be effectively alleviated. The experimental results confirm the superior performance of GGSA in terms of solution quality and convergence in comparison with GSA and other algorithms.

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 A Novel Memetic Whale Optimization Algorithm for Optimization
Nächstes Kapitel Research Optimization on Logistic Distribution Center Location Based on Improved Harmony Search Algorithm
Literatur
1.
Cai, Y., Wang, J., Yin, J.: Learning-enhanced differential evolution for numerical optimization. Soft Comput. 16(2), 303–330 (2012)CrossRef
2.
Derrac, J., García, S., Molina, D., Herrera, F.: A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms. Swarm Evol. Comput. 1(1), 3–18 (2011)CrossRef
3.
4.
Gao, S., Todo, Y., Gong, T., Yang, G., Tang, Z.: Graph planarization problem optimization based on triple-valued gravitational search algorithm. IEEJ Trans. Electr. Electron. Eng. 9(1), 39–48 (2014)CrossRef
5.
Gao, S., Vairappan, C., Wang, Y., Cao, Q., Tang, Z.: Gravitational search algorithm combined with chaos for unconstrained numerical optimization. Appl. Math. Comput. 231, 48–62 (2014)MathSciNet
6.
Gao, S., Wang, Y., Wang, J., Cheng, J.: Understanding differential evolution: a Poisson law derived from population interaction network. J. Comput. Sci. 21, 140–149 (2017)CrossRef
7.
Hartigan, J.A., Wong, M.A.: Algorithm as 136: a k-means clustering algorithm. J. R. Stat. Soc. Ser. C (Appl. Stat.) 28(1), 100–108 (1979)MATH
8.
Ji, J., Gao, S., Wang, S., Tang, Y., Yu, H., Todo, Y.: Self-adaptive gravitational search algorithm with a modified chaotic local search. IEEE Access 5, 17881–17895 (2017)CrossRef
9.
Kanungo, T., Mount, D.M., Netanyahu, N.S., Piatko, C.D., Silverman, R., Wu, A.Y.: An efficient k-means clustering algorithm: analysis and implementation. IEEE Trans. Pattern Anal. Mach. Intell. 24(7), 881–892 (2002)CrossRef
10.
Mirjalili, S., Lewis, A.: The Whale optimization algorithm. Adv. Eng. Softw. 95, 51–67 (2016)CrossRef
11.
Rashedi, E., Nezamabadi-Pour, H., Saryazdi, S.: GSA: a gravitational search algorithm. Inf. Sci. 179(13), 2232–2248 (2009)CrossRef
12.
Song, Z., Gao, S., Yu, Y., Sun, J., Todo, Y.: Multiple chaos embedded gravitational search algorithm. IEICE Trans. Inf. Syst. 100(4), 888–900 (2017)CrossRef
13.
Suganthan, P.N., Hansen, N., Liang, J.J., Deb, K., Chen, Y.P., Auger, A., Tiwari, S.: Problem definitions and evaluation criteria for the CEC 2005 special session on real-parameter optimization. KanGAL report 2005005 (2005)
14.
15.
Yang, X.S.: Nature-Inspired Optimization Algorithms. Elsevier, Amsterdam (2014)MATH
16.
Yao, X., Liu, Y., Lin, G.: Evolutionary programming made faster. IEEE Trans. Evol. Comput. 3(2), 82–102 (1999)CrossRef
17.
Yu, H., Xu, Z., Gao, S., Wang, Y., Todo, Y.: PMPSO: a near-optimal graph planarization algorithm using probability model based particle swarm optimization. In: IEEE International Conference on Progress in Informatics and Computing (PIC), pp. 15–19. IEEE (2015)
18.
Metadaten
Titel
Galactic Gravitational Search Algorithm for Numerical Optimization
verfasst von
Sheng Li
Fenggang Yuan
Yang Yu
Junkai Ji
Yuki Todo
Shangce Gao
Copyright-Jahr
2018
Buch
Advances in Swarm Intelligence

Print ISBN: 978-3-319-93814-1

Electronic ISBN: 978-3-319-93815-8

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-93815-8_38

Premium Partner

    Bildnachweise