Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

20.09.2019 | Methodologies and Application | Ausgabe 10/2020

Soft Computing 10/2020

Performance comparison of metaheuristic algorithms using a modified Gaussian fitness landscape generator

Zeitschrift:
Soft Computing > Ausgabe 10/2020
Autoren:
Ho Min Lee, Donghwi Jung, Ali Sadollah, Joong Hoon Kim
Wichtige Hinweise
Communicated by V. Loia.

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Various metaheuristic optimization algorithms are being developed to obtain optimal solutions to real-world problems. Metaheuristic algorithms are inspired by various metaphors, resulting in different search mechanisms, operators, and parameters, and thus algorithm-specific strengths and weaknesses. Newly developed algorithms are generally tested using benchmark problems. However, for existing traditional benchmark problems, it is difficult for users to freely modify the characteristics of a problem. Thus, their shapes and sizes are limited, which is a disadvantage. In this study, a modified Gaussian fitness landscape generator is proposed based on a probability density function, to make up for the disadvantages of traditional benchmark problems. The fitness landscape developed in this study contains a total of six features and can be employed to easily create various problems depending on user needs, which is an important advantage. It is applied to quantitatively evaluate the performance and reliability of eight reported metaheuristic algorithms. In addition, a sensitivity analysis is performed on the population size for population-based algorithms. Furthermore, improved versions of the metaheuristic algorithm are considered, to investigate which performance aspects are enhanced by applying the same fitness landscape. The modified Gaussian fitness landscape generator can be employed to compare the performances of existing optimization algorithms and to evaluate the performances of newly developed algorithms. In addition, it can be employed to develop methods of improving algorithms by evaluating their strengths and weaknesses.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 10/2020

Soft Computing 10/2020 Zur Ausgabe

Premium Partner

    Bildnachweise