• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Найдены 4 публикации
Сортировка:
по названию
по году
Статья
Wang L., Yang R., Ni H. et al. Applied Soft Computing Journal. 2015. Vol. 34. P. 736-743.

Inspired by human learning mechanisms, a novel meta-heuristic algorithm named human learning optimization (HLO) is presented in this paper in which the individual learning operator, social learning operator, random exploration learning operator and re-learning operator are developed to generate new solutions and search for the optima by mimicking the human learning process. Then HLO is applied to solve the well-known 5.100 and 10.100 multi-dimensional knapsack problems from the OR-library and the performance of HLO is compared with that of other meta-heuristics collected from the recent literature. The experimental results show that the presented HLO achieves the best performance in comparison with other meta-heuristics, which demonstrates that HLO is a promising optimization tool.

Добавлено: 24 июня 2015
Статья
Goldengorin B. I. Applied Soft Computing Journal. 2018. Vol. 65. P. 214-229.

Одной из известных задач в планировании расписаний работы одной машины является  поиск последовательности заданий (работ) и зарузки нобходимых инструментов  для выполнтния этих работ  с целью минимизации общего количества перезагрузок инструментов. В литературе доказано, что такая задача может быть сведена к поиску оптимальной последовательности работ (ЗОПР). В ЗОПР количество перезарузок инструмента от текущего обрабатываемого задания к следующему заданию зависит от последовательности всех предшественников. В этой статье ЗОПР моделируется как задача коммивояжера второго порядка (2-TSP). Мы называем такую ЗОПР задачей 2-ЗОПР, которая имеет другую целевую функцию  и доказываем, что 2-ЗОПР является NP-трудной. 2-ЗОПР аппрокимирутсеся  ршним задачи о назначении второго порядка (2-AP) решение которой осуществляется эвристикой Карпа-Стила ( Karp-Steele). Полученное решение не гарантирует оптимальной последовательности и используется для создания генетического алгоритма на основе динамического Q-обучения (DQGA) для улучшения качества решения. Q-обучение, которое является своего рода методом обучения с подкреплением, используется для изучения опыта выбора порядка мутации и операторов кроссовера в каждом поколении генетического алгоритма. Результаты расчетов на 320 эталонных примерах показывают, что предлагаемая DQGA  эвристика сопоставима по скорости и кацству найднных ршний с современными методами в литературе. DQGA даже превосходит существующие методы в некоторых случаях, поскольку может улучшить найденные «наилучшие решения» за значительно меньшее время. Наконец, производительность DQGA сравнивается с характеристиками необучамых генетических алгоритмов.

Добавлено: 22 апреля 2020
Статья
Grachev A., Ignatov D. I., Savchenko A. Applied Soft Computing Journal. 2019. Vol. 79. P. 354-362.
Добавлено: 12 июня 2019
Статья
Pardalos P. M., Aydogan E., Karaoglan I. Applied Soft Computing Journal. 2012. Vol. 12. No. 2. P. 800-806.
The aim of this work is to propose a hybrid heuristic approach (called hGA) based on genetic algorithm (GA) and integer-programming formulation (IPF) to solve high dimensional classification problems in linguistic fuzzy rule-based classification systems. In this algorithm, each chromosome represents a rule for specified class, GA is used for producing several rules for each class, and finally IPF is used for selection of rules from a pool of rules, which are obtained by GA. The proposed algorithm is experimentally evaluated by the use of non-parametric statistical tests on seventeen classification benchmark data sets. Results of the comparative study show that hGA is able to discover accurate and concise classification rules.
Добавлено: 4 февраля 2013