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
Neural Computing and Applications
Erschienen in: Neural Computing and Applications 2/2014

01.08.2014 | Original Article

Bat algorithm based on simulated annealing and Gaussian perturbations

verfasst von: Xing-shi He, Wen-Jing Ding, Xin-She Yang

Erschienen in: Neural Computing and Applications | Ausgabe 2/2014

Einloggen

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

search-config
loading …

Abstract

Bat algorithm (BA) is a new stochastic optimization technique for global optimization. In the paper, we introduce both simulated annealing and Gaussian perturbations into the standard bat algorithm so as to enhance its search performance. As a result, we propose a simulated annealing Gaussian bat algorithm (SAGBA) for global optimization. Our proposed algorithm not only inherits the simplicity and efficiency of the standard BA with a capability of searching for global optimality, but also speeds up the global convergence rate. We have used BA, simulated annealing particle swarm optimization and SAGBA to carry out numerical experiments for 20 test benchmarks. Our simulation results show that the proposed SAGBA can indeed improve the global convergence. In addition, SAGBA is superior to the other two algorithms in terms of convergence and accuracy.
Vorheriger Artikel Predicting phishing websites based on self-structuring neural network
Nächster Artikel Transfer learning using the online Fuzzy Min–Max neural network

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

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

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
Literatur
1.
Yang XS (2010) A new metaheuristic bat-inspired algorithm. In: Nature inspired cooperative strategies for optimization (NICSO), vol 284. Springer, SCI, pp 65–74
2.
Yang XS (2011) Bat algorithm for multi-objective optimization. Int J Bio Inspired Comput 3(5):267–274
3.
Li ZY, Ma L, Zhang HZ (2012) Genetic mutation bat algorithm for 0–1 knapsack problem. Comput Eng Appl 2012(35):1–10 (in Chinese)
4.
Lemma TA (2011) Use of fuzzy systems and bat algorithm for energy modeling in a gas turbine generator. In: IEEE Colloquium on Humanities, Science and Engineering, pp 305–310
5.
Yang XS, Gandomi AH (2012) Bat algorithm: a novel approach for global engineering optimization. Eng Comput 29(5):464–483CrossRef
6.
Mishra S, Shaw K, Mishra D (2012) A new metaheuristic classification approach for microarray data. Procedia Technol 4:802–806CrossRef
7.
Khan K, Nikov A, Sahai A (2011) A fuzzy bat clustering method for ergonomic screening of office workplaces, S3T 2011. Adv Intell Soft Comput 101:59–66CrossRef
8.
Khan K, Sahai A (2012) A comparison of BA, GA, PSO, BP and LM for training feed forward neural networks in e-learning context. Int J Intell Syst Appl (IJISA) 4(7):23–29
9.
Altringham JD (1996) Bats: biology and behaviour. Oxford University Press, Oxford
10.
Kennedy J, Eberhart R (1995) Particle swarm optimization. In: IEEE, International Conference on Neural Networks, Perth, Australia
11.
Bertsimas D, Tsitsiklis J (1993) Simulated annealing. Int Stat Sci 8(1):10–15CrossRef
12.
Zhiyuan W, Huihe S, Xinyu W (1997) Genetic annealing evolutionary algorithm. J ShangHai JiaoTong University (in China) 31(12):69–71
13.
Xuemei Wang, Yihe Wang (1997) The combination of simulated annealing and genetic algorithms. Chin J Comput (in China) 20(4):381–384
14.
Yang XS (2011) Review of meta-heuristic and generalised evolutionary walk algorithm. Int J Bio-Inspired Comput 3(2):77–84CrossRef
15.
Gandomi AH, Yun GJ, Yang XS, Talatahari S (2013) Chaos-enhanced accelerated particle swarm optimization. Commun Nonlinear Sci Numer Simul 18(2):327–340CrossRefMATHMathSciNet
16.
Yang XS, Deb S (2012) Two-stage eagle strategy with differential evolution. Int J Bio-Inspired Comput 4(1):1–5CrossRefMathSciNet
17.
Yang XS, Deb S (2013) Multiobjective cuckoo search for design optimization. Comput Oper Res 40(6):1616–1624CrossRefMathSciNet
18.
Gandomi AH, Yang XS, Talatahari S, Deb S (2012) Coupled eagle strategy and differential evolution for unconstrained and constrained global optimization. Comput Math Appl 63(1):191–200CrossRefMATHMathSciNet
19.
Zhao S, Huang G (2006) Design and study of particle swarm optimization with simulated annealing. J Baise University 19(6):9–12MathSciNet
20.
Gong C, Wang Z (2009) Proficient in MATLAB. Beijing: Publishing House of Electronics Industry (in China), pp 309–312
21.
22.
Jamil M, Yang XS (2013) A literature survey of benchmark functions for global optimization problems. Int J Math Model Numer Optim 4(2):150–194MATH
23.
Fisher RA (1925) Theory of statistical estimation. Proceed Camb Philos Soc 22:700–715CrossRefMATH
Metadaten
Titel
Bat algorithm based on simulated annealing and Gaussian perturbations
verfasst von
Xing-shi He
Wen-Jing Ding
Xin-She Yang
Publikationsdatum
01.08.2014
Verlag
Springer London
Erschienen in
Neural Computing and Applications / Ausgabe 2/2014
Print ISSN: 0941-0643
Elektronische ISSN: 1433-3058
DOI
https://doi.org/10.1007/s00521-013-1518-4

Weitere Artikel der Ausgabe 2/2014

Neural Computing and Applications 2/2014 Zur Ausgabe

Original Article

A fuzzy system approach to multilateral automated negotiation in B2C e-commerce

Review

Swarm robots reinforcement learning convergence accuracy-based learning classifier systems with gradient descent (XCS-GD)

Original Article

An optimized authentication protocol for mobile networks

Original Article

Support vector set selection using pulse-coupled neural networks

Original Article

Hybrid memristor/RTD structure-based cellular neural networks with applications in image processing

Original Article

The effectiveness of the combined use of VIX and Support Vector Machines on the prediction of S&P 500