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:
Exploiting the Beta Distribution-Based Reputation Model in Recommender System Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Task Allocation Using Particle Swarm Optimisation and Anomaly Detection to Generate a Dynamic Fitness Function

verfasst von : Adam Klyne, Kathryn Merrick

Erschienen in: AI 2015: Advances in Artificial Intelligence

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In task allocation a group of agents perform search and discovery of tasks, then allocate themselves to complete those tasks. Tasks are assumed to have a strong signature by which they can be identified. This paper considers task allocation in environments where the definition of a task is weak and can change over time. Specifically, we define tasks as environmental anomalies and present a new optimisation-based task allocation algorithm using anomaly detection to generate a dynamic fitness function. We present experiments in a simulated environment to show that agents using this algorithm can generate a dynamic fitness function using anomaly detection. They can then converge on optima in this function using particle swarm optimisation. The demonstration is conducted in a workplace hazard identification simulation.

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 Gene Transfer: A Novel Genetic Operator for Discovering Diverse-Frequent Patterns
Nächstes Kapitel Evolving High Fidelity Low Complexity Sheepdog Herding Simulations Using a Machine Learner Fitness Function Surrogate for Human Judgement
Fußnoten
1
Synapses in our neural network are represented by the weight paths that link out input and output nodes.
 
Literatur
1.
2.
Bahn, S.: Workplace hazard identification and management: the case of an underground mining operation. Saf. Sci. 57, 129–137 (2013)CrossRef
3.
Biggs, H.C., Sheahan, V.L., Dingsdag, D.P.: Improving industry safety culture: the tasks in which safety critical positions holders must be competent. In: 2006 CIB99 International Conference on Global Unity for Safety & Health in Construction, pp. 181–187 (2006)
4.
Blackwell, T.: Particle swarm optimization in dynamic environments. Intelligence (SCI) 51, 29–49 (2007)
5.
Eberhart, R., Kennedy, J.: A new optimizer using particle swarm theory. In: MHS 1995, Proceedings of the Sixth International Symposium on Micro Machine and Human Science, vol. 1, pp. 39–43 (1995)
6.
Eberhart, R., Shi, Y.: Comparing inertia weights and constriction factors in particle swarm optimization. In: Proceedings of the 2000 Congress on Evolutionary Computation, vol. 1, pp. 84–88. IEEE (2000)
7.
Fernandez-Marquez, J., Arcos, J.: Adapting particle swarm optimization in dynamic and noisy environments. In: 2010 IEEE Congress on Evolutionary Computation (CEC), pp. 1–8 (2010)
8.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning. Springer Series in Statistics, vol. 18. Springer, New York (2001)CrossRefMATH
9.
Karimi, J., Nobahari, H., Pourtakdoust, S.H.: A new hybrid approach for dynamic continuous optimization problems. Appl. Soft Comput. J. 12(3), 1158–1167 (2012)CrossRef
10.
Manuele, F.: Acceptable risk - time for SH&E professionals to adopt the concept. Prof. Saf. 55(May), 30–38 (2010)
11.
Markou, M., Singh, S.: Novelty detection: a review - part 1: statistical approaches. Sig. Process. 83(12), 2481–2497 (2003)CrossRefMATH
12.
Markou, M., Singh, S.: Novelty detection: a review - part 2: neural network based approaches. Sig. Process. 83(12), 2499–2521 (2003)CrossRefMATH
13.
Marsland, S.: Machine Learning: An Algorithmic Perspective, 1st edn. CRC Press, New York (2011)
14.
Marsland, S., Nehmzow, U., Shapiro, J.: A Real-Time Novelty Detector for a Mobile Robot, p. 8 (2000). arXiv preprint cs/​0006006
15.
Miljkovic, D.: Review of novelty detection methods. In: MIPRO, 2010 Proceedings of the 33rd International Convention, pp. 593–598 (2010)
16.
Morrison, R.W., De Jong, K.A.: Measurement of population diversity. In: Collet, P., Fonlupt, C., Hao, J.-K., Lutton, E., Schoenauer, M. (eds.) EA 2001. LNCS, vol. 2310, pp. 31–41. Springer, Heidelberg (2002) CrossRef
17.
Shafi, K., Merrick, K.: A curious agent for network anomaly detection. In: The 10th International Conference on Autonomous Agents and Multiagent Systems, vol. 33, pp. 1075–1076 (2011)
Metadaten
Titel
Task Allocation Using Particle Swarm Optimisation and Anomaly Detection to Generate a Dynamic Fitness Function
verfasst von
Adam Klyne
Kathryn Merrick
Copyright-Jahr
2015
Buch
AI 2015: Advances in Artificial Intelligence

Print ISBN: 978-3-319-26349-6

Electronic ISBN: 978-3-319-26350-2

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-26350-2_28