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

2019 | OriginalPaper | Buchkapitel

1. Introduction to Evolutionary Single-Objective Optimisation

verfasst von : Seyedali Mirjalili

Erschienen in: Evolutionary Algorithms and Neural Networks

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

This chapter provides preliminaries and essential definitions in the field of single-objective optimisation. Several difficulties that an optimisation algorithm might face when training Neural Networks are discussed as well.

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 Particle Swarm Optimisation
Literatur
1.
Klockgether, J., & Schwefel, H. P. (1970). Two-phase nozzle and hollow core jet experiments. In Proceedings of 11th Symposium on Engineering Aspects of Magnetohydrodynamics (pp. 141–148). Pasadena, CA: California Institute of Technology.
2.
3.
Hruschka, E. R., Campello, R. J., & Freitas, A. A. (2009). A survey of evolutionary algorithms for clustering. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 39(2), 133–155.CrossRef
4.
Addis, B., Locatelli, M., & Schoen, F. (2005). Local optima smoothing for global optimization. Optimization Methods and Software, 20(4–5), 417–437.MathSciNetCrossRef
5.
Coello, C. A. C. (2002). Theoretical and numerical constraint-handling techniques used with evolutionary algorithms: a survey of the state of the art. Computer methods in applied mechanics and engineering, 191(11–12), 1245–1287.MathSciNetCrossRef
6.
Zhou, A., Qu, B. Y., Li, H., Zhao, S. Z., Suganthan, P. N., & Zhang, Q. (2011). Multiobjective evolutionary algorithms: A survey of the state of the art. Swarm and Evolutionary Computation, 1(1), 32–49.CrossRef
7.
Mirjalili, S., Lewis, A., & Mostaghim, S. (2015). Confidence measure: a novel metric for robust meta-heuristic optimisation algorithms. Information Sciences, 317, 114–142.CrossRef
8.
Droste, S., Jansen, T., & Wegener, I. (2006). Upper and lower bounds for randomized search heuristics in black-box optimization. Theory of computing systems, 39(4), 525–544.MathSciNetCrossRef
9.
Shi, Y., & Eberhart, R. C. (1999). Empirical study of particle swarm optimization. In Proceedings of the 1999 congress on evolutionary computation, CEC 99 (Vol. 3, pp. 1945–1950). IEEE.
10.
Chu, W., Gao, X., & Sorooshian, S. (2011). Handling boundary constraints for particle swarm optimization in high-dimensional search space. Information Sciences, 181(20), 4569–4581.CrossRef
11.
Mezura-Montes, E., & Coello, C. A. C. (2006). A survey of constraint-handling techniques based on evolutionary multiobjective optimization. In Workshop paper at PPSN.
12.
Mirjalili, S. (2016). SCA: a sine cosine algorithm for solving optimization problems. Knowledge-Based Systems, 96, 120–133.CrossRef
13.
Hwang, C. R. (1988). Simulated annealing: Theory and applications. Acta Applicandae Mathematicae, 12(1), 108–111.
14.
Glover, F. (1989). Tabu searchpart I. ORSA Journal on Computing, 1(3), 190–206.CrossRef
15.
Loureno, H. R., Martin, O. C., & Stutzle, T. (2003). Iterated local search. International series in operations research and management science, 321–354.
16.
Goldfeld, S. M., Quandt, R. E., & Trotter, H. F. (1966). Maximization by quadratic hill-climbing. Econometrica: Journal of the Econometric Society, 541–551.MathSciNetCrossRef
17.
BoussaD, I., Lepagnot, J., & Siarry, P. (2013). A survey on optimization metaheuristics. Information Sciences, 237, 82–117.MathSciNetCrossRef
18.
Senvar, O., Turanoglu, E., & Kahraman, C. (2013). Usage of metaheuristics in engineering: A literature review. In Meta-heuristics optimization algorithms in engineering, business, economics, and finance (pp. 484–528). IGI Global.
19.
repinek, M., Liu, S. H., & Mernik, M., (2013). Exploration and exploitation in evolutionary algorithms: A survey. ACM Computing Surveys (CSUR), 45(3), 35.
20.
Holland, J. H. (1992). Genetic algorithms. Scientific American, 267(1).CrossRef
21.
Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning. Machine Learning, 3(2), 95–99.CrossRef
22.
Das, S., & Suganthan, P. N. (2011). Differential evolution: A survey of the state-of-the-art. IEEE Transactions on Evolutionary Computation, 15(1), 4–31.CrossRef
23.
Mezura-Montes, E., & Coello, C. A. C. (2005). A simple multimembered evolution strategy to solve constrained optimization problems. IEEE Transactions on Evolutionary Computation, 9(1), 1–17.CrossRef
24.
Yao, X., & Liu, Y. (1996). Fast evolutionary programming. Evolutionary programming, 3, 451–460.
25.
Dorigo, M., & Di Caro, G. (1999). Ant colony optimization: a new meta-heuristic. In Proceedings of the 1999 congress on evolutionary computation, CEC 99 (Vol. 2, pp. 1470–1477). IEEE.
26.
Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of IEEE international conference on neural networks (Vol. 4, pp. 1942–1948). IEEE.
27.
Dasgupta, D., & Michalewicz, Z. (Eds.). (2013). Evolutionary algorithms in engineering applications. Springer Science & Business Media.
28.
Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82.CrossRef
Metadaten
Titel
Introduction to Evolutionary Single-Objective Optimisation
verfasst von
Seyedali Mirjalili
Copyright-Jahr
2019
Buch
Evolutionary Algorithms and Neural Networks

Print ISBN: 978-3-319-93024-4

Electronic ISBN: 978-3-319-93025-1

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-93025-1_1