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:
Research on Price Forecasting Method of China’s Carbon Trading Market Based on PSO-RBF Algorithm Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Dynamic Multimodal Optimization Using Brain Storm Optimization Algorithms

verfasst von : Shi Cheng, Hui Lu, Wu Song, Junfeng Chen, Yuhui Shi

Erschienen in: Bio-inspired Computing: Theories and Applications

Verlag: Springer Singapore

Einloggen

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

search-config
loading …

Abstract

Dynamic multimodal optimization (DMO) problem is introduced and solved with brain storm optimization (BSO) algorithms in this paper. A dynamic multimodal optimization problem is defined as an optimization problem with multiple global optima and characteristics of global optima are changed during the search process. The effectiveness of BSO algorithm is validated on a test problem which was constructed based on the dynamic optimization and multimodal optimization. Results show that BSO algorithm is an efficient and robust optimization method for solving dynamic multimodal optimization problems.

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 Simulator for Cell-Like P System
Nächstes Kapitel A Hybrid Replacement Strategy for MOEA/D
Literatur
1.
Jin, Y., Branke, J.: Evolutionary optimization in uncertain environments-a survey. IEEE Trans. Evol. Comput. 9(3), 303–317 (2005)CrossRef
2.
Wang, Y., Dang, C.: An evolutionary algorithm for dynamic multi-objective optimization. Appl. Math. Comput. 205(1), 6–18 (2008)MathSciNetMATH
3.
Parrott, D., Li, X.: Locating and tracking multiple dynamic optima by a particle swarm model using speciation. IEEE Trans. Evol. Comput. 10(4), 440–458 (2006)CrossRef
4.
Rönkkönen, J.: Continuous multimodal global optimization with differential evolution-based methods. Department of information technology, Lappeenranta University of Technology (2009)
5.
Li, X.: Niching without niching parameters: particle swarm optimization using a ring topology. IEEE Trans. Evol. Comput. 14(1), 150–169 (2010)CrossRef
6.
7.
Shi, Y.: An optimization algorithm based on brainstorming process. Int. J. Swarm Intell. Res. 2(4), 35–62 (2011)CrossRef
8.
Cheng, S., Qin, Q., Chen, J., Shi, Y.: Brain storm optimization algorithm: a review. Artif. Intell. Rev. 46(4), 445–458 (2016)CrossRef
9.
Shi, Y.: Brain storm optimization algorithm in objective space. In: Proceedings of 2015 IEEE Congress on Evolutionary Computation, Sendai, Japan, pp. 1227–1234 (2015)
10.
Cheng, S., et al.: A comprehensive survey of brain storm optimization algorithms. In: Proceedings of 2017 IEEE Congress on Evolutionary Computation, Donostia, San Sebastián, Spain, pp. 1637–1644 (2017)
11.
Song, Z., Peng, J., Li, C., Liu, P.X.: A simple brain storm optimization algorithm with a periodic quantum learning strategy. IEEE Access 6, 19968–19983 (2017)CrossRef
12.
Cheng, S., Shi, Y., Qin, Q., Gao, S.: Solution clustering analysis in brain storm optimization algorithm. In: Proceedings of The 2013 IEEE Symposium on Swarm Intelligence, Singapore, pp. 111–118 (2013)
13.
Goh, C.K., Tan, K.C.: A competitive-cooperative coevolutionary paradigm for dynamic multiobjective optimization. IEEE Trans. Evol. Comput. 13(1), 103–127 (2009)CrossRef
14.
Jiang, S., Yang, S.: Evolutionary dynamic multiobjective optimization: benchmarks and algorithm comparisons. IEEE Trans. Cybern. 47(1), 198–211 (2017)CrossRef
15.
Cheng, S., Chen, J., Lei, X., Shi, Y.: Locating multiple optima via developmental swarm intelligence. IEEE Access 6, 17039–17049 (2018)CrossRef
16.
Qu, B.Y., Liang, J., Suganthan, P.: Niching particle swarm optimization with local search for multi-modal optimization. Inf. Sci. 197, 131–143 (2012)CrossRef
17.
Qu, B.Y., Suganthan, P., Liang, J.: Differential evolution with neighborhood mutation for multimodal optimization. IEEE Trans. Evol. Comput. 16(5), 601–614 (2012)CrossRef
18.
Li, X., Engelbrecht, A., Epitropakis, M.G.: Benchmark functions for CEC 2013 special session and competition on niching methods for multimodal function optimization. Evolutionary Computation and Machine Learning Group, RMIT University (2013)
19.
Burke, E.K., Hyde, M.R., Kendall, G.: Providing a memory mechanism to enhance the evolutionary design of heuristics. In: Proceedings of 2010 IEEE Congress on Evolutionary Computation, pp. 1–8 (2010)
20.
Shi, Y.: Developmental swarm intelligence: developmental learning perspective of swarm intelligence algorithms. Int. J. Swarm Intell. Res. 5(1), 36–54 (2014)CrossRef
21.
Shi, Y.: Unified swarm intelligence algorithms. In: Shi, Y. (ed.) Critical Developments and Applications of Swarm Intelligence, pp. 1–26 (2018)
Metadaten
Titel
Dynamic Multimodal Optimization Using Brain Storm Optimization Algorithms
verfasst von
Shi Cheng
Hui Lu
Wu Song
Junfeng Chen
Yuhui Shi
Copyright-Jahr
2018
Verlag
Springer Singapore
Buch
Bio-inspired Computing: Theories and Applications

Print ISBN: 978-981-13-2825-1

Electronic ISBN: 978-981-13-2826-8

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-981-13-2826-8_21

Premium Partner

    Bildnachweise