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:
Parallel Collaborative Filtering Recommendation Model Based on Two-Phase Similarity Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Self-adaptive Percolation Behavior Water Cycle Algorithm

verfasst von : Shilei Qiao, Yongquan Zhou, Rui Wang, Yuxiang Zhou

Erschienen in: Intelligent Computing Theories and Methodologies

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Water cycle algorithm is a new meta-heuristic optimization algorithm based on the observation of water cycle and how rivers and streams flow downhill towards the sea in the real world. In this paper, a new self-adaptive water cycle algorithm with percolation behavior is proposed. The percolation behavior is introduced to accelerate the convergence speed of proposed algorithm. At the same time, a self-adaptive rainfall process can generate the new stream, more and more new position can be explored, consequently, increasing the diversity of population. Eight typical benchmark functions are tested, the simulation results show that the proposed algorithm is feasible and effective than basic water cycle algorithm, and demonstrate that this proposed algorithm has superior approximation capabilities in high-dimensional space.

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 How to Detect Communities in Large Networks
Nächstes Kapitel Oscillatory Behavior in An Inertial Six-Neuron Network Model with Delays
Literatur
1.
Cocke, T., Moscicki, Z., Agarwal, R.: Optimization of hydrofoils using a genetic algorithm. J. Aircraft 51, 78–89 (2014)CrossRef
2.
Kennedy, J., Eberhart, R.: Particle swarm optimization. In: Proceedings of the IEEE International Conference on Neural Networks 4, pp. 1942–1948 (1995)
3.
Kirkpatrick Jr., S., Gelatt, C.D., Vecchi, M.P.: Optimization by simulated annealing. Science 220, 650–671 (1983)MathSciNetCrossRef
4.
Yongquan, Z., Jiakun, L., Guangwei, Z.: Leader glowworm swarm optimization algorithm for solving nonlinear equations systems. Przeglad Elektrotechniczny 88, 101–106 (2012)
5.
Alatas, B.: Chaotic harmony search algorithms. Appl. Math. Comput. 216, 2687–2699 (2010)CrossRef
6.
Passino, K.M.: Biomimicry of bacterial foraging for distributed optimization and control. IEEE Control Syst. Mag. 22, 52–68 (2002)CrossRef
7.
Mehrabian, A.R., Lucas, C.: A novel numerical optimization algorithm inspired from weed colonization. Ecol. Inform. 1, 355–366 (2006)CrossRef
8.
Yang, X.-S.: A new metaheuristic Bat-inspired algorithm. Studies Comput. Intell. 284, 65–74 (2010)CrossRef
9.
Oftadeh, R., Mahjoob, M.J., Shariatpanahi, M.: A novel meta-heuristic optimization algorithm inspired by group hunting of animals: hunting search. Comput. Math. Appl. 60(7), 2087–2099 (2010)CrossRefMATH
10.
Eskandar, H., Sadollah, A., Bahreininejad, A., et al.: Water cycle algorithm-a novel metaheuristic optimization method for solving constrained engineering optimization problems. Comput. Struct. 1, 151–166 (2012)CrossRefMATH
11.
Eskandar, H., Sadollah, A., Bahreininejad, A.: Weight optimization of truss structures using water cycle algorithm. Int. J. Optim. Civil Eng. 3, 115–129 (2013)
12.
Sadollah, A., Eskandar, H.: Water cycle algorithm for solving multi-objective optimization problems. Appl. Soft Comput. 27, 279–298 (2014)CrossRef
13.
Chun, Z., Wei, L.G., Chun, L.L.: Optimizations of space truss structures using WCA algorithm, vol. 16, pp. 35−38 (2014)
14.
15.
Kitahara, T., Mizuno, S.: A bound for the number of different basic solutions generated by the simplex method 137, 579–586 (2013)MathSciNetMATH
16.
Kheirfam, B., Verdegay, J.L.: The dual simplex method and sensitivity analysis for fuzzy linear programming with symmetric trapezoidal numbers. Fuzzy Optim. Decis. Making 12, 171–189 (2013)MathSciNetCrossRef
17.
Das, S., Suganthan, P.N.: Differential evolution: A survey of the state-of-the-art. IEEE Trans. Evol. Comput. 15, 4–31 (2011)CrossRefMATH
18.
Yang, X.-S., Deb, S.: Cuckoo search: recent advances and applications. Neural Comput. Appl. 24, 169–174 (2014)CrossRef
19.
Xing, Y., Wang, Y.: Assembly sequence planning based on a hybrid particle swarm optimization and genetic algorithm. Int. J. Prod. Res. 50, 7303–7315 (2012)CrossRefMATH
20.
Wang. L., Gong. Y.: A fast shuffled frog leaping algorithm. In: 2013 Ninth International Conference on Natural Computation (ICNC). IEEE, pp. 369–373 (2013)
21.
Karaboga, D., Bastuk, B.: A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. J. Global Optim. 39, 459–477 (2007)MathSciNetCrossRefMATH
Metadaten
Titel
Self-adaptive Percolation Behavior Water Cycle Algorithm
verfasst von
Shilei Qiao
Yongquan Zhou
Rui Wang
Yuxiang Zhou
Copyright-Jahr
2015
Buch
Intelligent Computing Theories and Methodologies

Print ISBN: 978-3-319-22179-3

Electronic ISBN: 978-3-319-22180-9

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-22180-9_9