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:
SpikeletFCN: Counting Spikelets from Infield Wheat Crop Images Using Fully Convolutional Networks Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Solving the Software Project Scheduling Problem with Hyper-heuristics

verfasst von : Joaquim de Andrade, Leila Silva, André Britto, Rodrigo Amaral

Erschienen in: Artificial Intelligence and Soft Computing

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Search-based Software Engineering applies meta-heuristics to solve problems in the Software Engineering domain. However, to configure a meta-heuristic can be tricky and may lead to suboptimal results. We propose a hyper-heuristic (HH), GE-SPSP, to configure the Speed-Constrained Particle Swarm Optimization (SMPSO) meta-heuristic based on Grammatical Evolution (GE) to solve the Software Project Scheduling Problem. A grammar describes several parameters types and values to configure the SMPSO and the HH use it to return the best configuration set found during the search. The results are compared to conventional meta-heuristics and suggest that GE-SPSP can achieve statistically equal or better results than to the compared meta-heuristics.

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 Fuzzy Clustering High-Dimensional Data Using Information Weighting
Nächstes Kapitel Influence of Social Coefficient on Swarm Motion
Fußnoten
1
jMetal is a Java-based framework for multi-objective optimization and it is available in https://​github.​com/​jMetal/​jMetal.
 
Literatur
1.
Alba, E., Chicano, F.: Software project management with gas. Inf. Sci. 177, 2380–2401 (2007)CrossRef
2.
Basgalupp, M.P., Barros, R.C., da Silva, T.S., de Carvalho, A.C.: Software effort prediction: a hyper-heuristic decision-tree based approach. In: Proceedings of the 28th Annual ACM Symposium on Applied Computing, pp. 1109–1116. ACM (2013)
3.
Bechikh, S., Chaabani, A., Said, L.B.: An efficient chemical reaction optimization algorithm for multiobjective optimization. IEEE Trans. Evol. Comput. 45(10), 2051–2064 (2015)
4.
Burke, E.K., et al.: Hyper-heuristics: a survey of the state of the art. J. Oper. Res. Soc. 64(12), 1695–1724 (2013)CrossRef
5.
6.
Deb, K., Pratap, A., Argawal, S., Meyarivan, T.: A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 6(2), 182–197 (2002)CrossRef
7.
Guizzo, G., Fritsche, G.M., Vergilio, S.R., Pozo, A.T.R.: A hyper-heuristic for the multi-objective integration and test order problem. In: Proceedings of the 2015 Annual Conference on Genetic and Evolutionary Computation, pp. 1343–1350. ACM (2015)
8.
Harman, M., Burke, E., Clark, J., Yao, X.: Dynamic adaptive search based software engineering. In: Proceedings of the ACM-IEEE International Symposium on Empirical Software Engineering and Measurement, pp. 1–8. ACM (2012)
9.
Harman, M., Jones, B.F.: Search-based software engineering. Inf. Softw. Technol. 43(14), 833–839 (2001)CrossRef
10.
Harman, M., Mansouri, S.A., Zhang, Y.: Search-based software engineering: trends, techniques and applications. ACM Comput. Surv. (CSUR) 45(1), 11 (2012)CrossRef
11.
Jia, Y., Cohen, M.B., Harman, M., Petke, J.: Learning combinatorial interaction test generation strategies using hyperheuristic search. In: Proceedings of the 37th International Conference on Software Engineering, vol. 1, pp. 540–550. IEEE Press (2015)
12.
Kennedy, J., Eberhart, R.: Particle swarm optimization. In: Neural Networks, 1995. Proceedings., IEEE International Conference on Neural Networks, vol. 6, December 1995
13.
Koza, J.: Genetic Programming: On the Programming of Computers by Means of Natural Selection. Complex Adaptive Systems, 1st edn. A Bradford Book, Massachusetts (1992)MATH
14.
Kumari, A.C., Srinivas, K., Gupta, M.: Software module clustering using a hyper-heuristic based multi-objective genetic algorithm. In: Advance Computing Conference (IACC), 2013 IEEE 3rd International, pp. 813–818. IEEE (2013)
15.
Luna, F., González-Álvarez, D.L., Chicano, F., Vega-Rodríguez, M.A.: The software project scheduling problem: a scalability analysis of multi-objective metaheuristics. Appl. Soft Comput. J. 15, 136–148 (2014)CrossRef
16.
Mariani, T., Guizzo, G., Vergilio, S.R., Pozo, A.T.: Grammatical evolution for the multi-objective integration and test order problem. In: Proceedings of the Genetic and Evolutionary Computation Conference 2016, pp. 1069–1076. ACM (2016)
17.
18.
Nebro, A.J., Durillo, J.J., Garcia-Nieto, J., Coello, C.C., Luna, F., Alba, E.: SMPSO: a new PSO-based metaheuristic for multi-objective optimization. In: 2009 IEEE Symposium on Computational Intelligence in Multi-Criteria Decision-Making(MCDM), pp. 66–73. IEEE (2009)
19.
O’Neill, M., Ryan, C.: Grammatical evolution. IEEE Trans. Evol. Comput. 5(4), 349–358 (2001)CrossRef
20.
Project Management Institute: Pulse of the Profession (2017). Report
21.
Sabar, N.R., Ayob, M., Kendall, G., Qu, R.: Grammatical evolution hyper-heuristic for combinatorial optimization problems. Strategies 3, 4 (2012)
22.
Vega-Velázquez, M.Á., García-Nájera, A., Cervantes, H.: A survey on the software project scheduling problem. Int. J. Prod. Econ. 202, 145–161 (2018)CrossRef
Metadaten
Titel
Solving the Software Project Scheduling Problem with Hyper-heuristics
verfasst von
Joaquim de Andrade
Leila Silva
André Britto
Rodrigo Amaral
Copyright-Jahr
2019
Buch
Artificial Intelligence and Soft Computing

Print ISBN: 978-3-030-20911-7

Electronic ISBN: 978-3-030-20912-4

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-20912-4_37