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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Diagnosis of COVID-19 on Chest X-ray (CXR) Images Using CNN with Transfer Learning and Integrated Stacking Ensemble Learning Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Teaching Learning-Based Optimization for Solving CEC2014 Test Suite: A Comparative Study

verfasst von : Zulkifli Musa, Zuwairie Ibrahim, Mohd Ibrahim Shapiai

Erschienen in: Intelligent Manufacturing and Mechatronics

Verlag: Springer Nature Singapore

Einloggen

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

search-config
loading …

Abstract

This is a comparative study of Teaching Learning-Based Optimization (TLBO) as a human-based algorithm against other types of metaheuristic algorithm: single-agent finite impulse response optimizer (SAFIRO), simulated Kalman filter (SKF), particle swarm optimization algorithm (PSO), black hole algorithm (BH), and genetic algorithm (GA), in solving CEC2014 test suite. The TLBO algorithm is inspired by the process of teaching and learning in a classroom. The advantages of TLBO are it only has two main tasks: teaching phase and learning phase and has no parameter setting. The TLBO performance provides a balance between exploration and exploitation. Statistical analysis is then carried out to rank the TLBO results to those obtained by other type of metaheuristic algorithm. The experimental result show that the TLBO algorithm is a promising approach and comparative to SAFIRO and SKF and has better than PSO, BH, and GA.

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 PID Controller Optimized by Bird Mating Optimizer for Vibration Control of Horizontal Flexible Plate
Nächstes Kapitel Design and Analysis of Vehicle Frontal Protection Mechanism
Literatur
1.
Talbi E-G (2009) Metaheuristics. John Wiley & Sons Inc., Hoboken NJ USACrossRef
2.
Holland JH (1984) Genetic algorithms and adaptation. Adap Control Ill Def Syst 16:317–333
3.
Kennedy J, Eberhart R (1995) Particle swarm optimisation. Proc IEEE Int Conf Neural Netw 1972–1978
4.
Hatamlou A (2013) Black hole: a new heuristic optimization approach for data clustering. Inf Sci 222
5.
Ibrahim Z, Aziz NHA, Nor NA, Razali S, Mohamad MS (2016) Simulated Kalman Filter: a novel estimation-based metaheuristic optimization algorithm. Adv Sci Lett 22(10):2941–2946
6.
Kalman RE (1960) A new approach to linear filtering and prediction problems. J Fluids Eng Trans ASME 82(1)
7.
Ab Rahman T, Ibrahim Z, Aziz NAA, Zhao S, Abdul Aziz NH (2018) Single-agent finite impulse response optimizer for numerical optimization problems. IEEE Access 6:9358–9374
8.
Uribe-Murcia K, Andrade-Lucio JA, Shmaliy YS, Xu Y (2021) Unbiased FIR filtering under bernoulli-distributed binary randomly delayed and missing data. Eur Signal Process Conf 2021(Janua):2408–2412
9.
Shmaliy YS, Khan S, Zhao S (2016) Ultimate iterative UFIR filtering algorithm. Meas J Int Meas Confed 92:236–242
10.
Rao RV, Savsani VJ, Vakharia DP (2012) Teaching-learning-based optimization: an optimization method for continuous non-linear large scale problems. Inf Sci 183(1):1–15
11.
Liang JJ, Qu BY, Suganthan PN (2014) Problem definitions and evaluation criteria for the CEC 2014 special session and competition on single objective real-parameter numerical optimization 2013(December)
12.
Alcalá-Fdez J et al (2009) KEEL: a software tool to assess evolutionary algorithms for data mining problems. Soft Comput 13(3)
13.
Mirjalili S, Mirjalili SM, Lewis A (2014) Grey wolf optimizer. Adv Eng Softw 69(Mar):46–61
14.
Derrac J, García S, Molina D, Herrera F (2011) A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms. Swarm Evol Comput 1(1):3–18
Metadaten
Titel
Teaching Learning-Based Optimization for Solving CEC2014 Test Suite: A Comparative Study
verfasst von
Zulkifli Musa
Zuwairie Ibrahim
Mohd Ibrahim Shapiai
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Intelligent Manufacturing and Mechatronics

Print ISBN: 978-981-9988-18-1

Electronic ISBN: 978-981-9988-19-8

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-99-8819-8_25

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise