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
Soft Computing
Erschienen in: Soft Computing 12/2009

01.10.2009 | Focus

Learning behavior in abstract memory schemes for dynamic optimization problems

verfasst von: Hendrik Richter, Shengxiang Yang

Erschienen in: Soft Computing | Ausgabe 12/2009

Einloggen

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

search-config
loading …

Abstract

Integrating memory into evolutionary algorithms is one major approach to enhance their performance in dynamic environments. An abstract memory scheme has been recently developed for evolutionary algorithms in dynamic environments, where the abstraction of good solutions is stored in the memory instead of good solutions themselves to improve future problem solving. This paper further investigates this abstract memory with a focus on understanding the relationship between learning and memory, which is an important but poorly studied issue for evolutionary algorithms in dynamic environments. The experimental study shows that the abstract memory scheme enables learning processes and hence efficiently improves the performance of evolutionary algorithms in dynamic environments.
Vorheriger Artikel The asymptotic optimization of pre-edited ANN classifier
Nächster Artikel Modeling neuronal response to disparity gradient

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 "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

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
Literatur
Arnold DV, Beyer HG (2006) Optimum tracking with evolution strategies. Evol Comput 14(3):291–308CrossRef
Bosman PAN (2007) Learning and anticipation in online dynamic optimization. In: Yang S, Ong YS, Jin Y (eds) Evolutionary computation in dynamic and uncertain environments, chap 6. Springer, Berlin, pp 129–152
Boumaza AM (2005) Learning environment dynamics from self-adaptation. GECCO workshops 2005. pp 48–54
Branke J (1999) Memory enhanced evolutionary algorithms for changing optimization problems. In: Proceedings of the 1999 IEEE congress on evolutionary computation. pp 1875–1882
Branke J (2002) Evolutionary optimization in dynamic environments. Kluwer, Dordrecht
Branke J, Kaußler T, Schmidt C, Schmeck H (2000) A multi-population approach to dynamic optimization problems. In: Proceedings of the 4th international conference on adaptive computing in design and manufacturing. pp 299–308
Cover TM, Thomas JA (2006) Elements of information theory. Wiley, HobokenMATH
Fitch R, Hengst B, Suc D, Calbert G, Scholz J (2005) Structural abstraction experiments in reinforcement learning. In: AI 2005 advances in artificial intelligence. pp 164–175
Ho WC, Nehaniv C, Dautenhahn K (2005) Autobiographic agents in dynamic virtual environments—performance comparison for different memory control architectures. In: Proceedings of the 2005 IEEE congress on evolutionary computing, pp 573–580
Jin Y, Branke J (2005) Evolutionary optimization in uncertain environments—a survey. IEEE Trans Evol Comput 9(3):303–317CrossRef
Lewis EHJ, Ritchie G (1998) A comparison of dominance mechanisms and simple mutation on non-stationary problems. In: Parallel problem solving from nature-PPSN V, pp 139–148
Lieberman DA (2004) Learning and memory: an integrative approach. Wadsworth, Belmont
Michalski RS (2000) Learnable evolution model: evolutionary processes guided by machine learning. Mach Learn 38(1):9–40MATHCrossRef
Mitchell TM (1997) Machine learning. McGraw-Hill, New YorkMATH
Morrison RW, De Jong KA (2000) Triggered hypermutation revisited. In: Proceedings of the 2000 IEEE congress on evolutionary computing, pp 1025–1032
Morrison RW (2004) Designing evolutionary algorithms for dynamic environments. Springer, BerlinMATH
Richter H (2005) A study of dynamic severity in chaotic fitness landscapes. In: Proceedings of the 2005 IEEE congress on evolutionary computing, pp 2824–2831
Richter H, Yang S (2008) Memory based on abstraction for dynamic fitness functions. In: EvoWorkshops 2008: applications of evolutionary computing, LNCS, vol 4974, pp 597–606
Simões A, Costa E (2007) Variable-size memory evolutionary algorithm to deal with dynamic environments. In: EvoWorkshops 2007: applications of evolutionary computing, LNCS, vol 4448, pp 617–626
Tinós R, Yang S (2007) A self-organizing random immigrants genetic algorithm for dynamic optimization problems. Genetic Programming and Evolvable Machines 8(3):255–286CrossRef
Yang S (2005) Population-based incremental learning with memory scheme for changing environments. Proc. of the 2005 Genetic and Evol Comput Conf., vol 1, pp 711–718
Yang S (2006) Associative memory scheme for genetic algorithms in dynamic environments. In: EvoWorkshops 2006: applications of evolutionary computing, LNCS, vol 3907, pp 788–799
Yang S, Yao X (2008) Population-based incremental learning with associative memory for dynamic environments. IEEE Trans Evol Comput 12(5):542–561CrossRef
Metadaten
Titel
Learning behavior in abstract memory schemes for dynamic optimization problems
verfasst von
Hendrik Richter
Shengxiang Yang
Publikationsdatum
01.10.2009
Verlag
Springer-Verlag
Erschienen in
Soft Computing / Ausgabe 12/2009
Print ISSN: 1432-7643
Elektronische ISSN: 1433-7479
DOI
https://doi.org/10.1007/s00500-009-0420-6

Weitere Artikel der Ausgabe 12/2009

Soft Computing 12/2009 Zur Ausgabe

Editorial

Editorial

Focus

A hybrid clustering and graph based algorithm for tagSNP selection

Focus

Improved pattern recognition with complex artificial immune system

Focus

Finding the number of clusters in ordered dissimilarities

Focus

Modeling neuronal response to disparity gradient

Focus

The asymptotic optimization of pre-edited ANN classifier