Show simple item record

Possible improvements of global optimization methods inspired by nature
dc.contributor.advisorRytíř, Pavel
dc.creatorPátek, Zdeněk
dc.date.accessioned2017-04-21T07:46:39Z
dc.date.available2017-04-21T07:46:39Z
dc.date.issued2009
dc.identifier.urihttp://hdl.handle.net/20.500.11956/31032
dc.description.abstractTato práce se zabývá optimalizací funkcí reálných proměnných pomocí přírodou inspirovaných metod. Obsahuje popis vybraných globálních optimalizačních metod (Differential Evolution, Self-Organizing Migrating Algorithm, Steady-State Evolutionary Algorithm, Particle Swarm Optimization, Gregarious Particle Swarm Optimizer a Hybrid Particle Swarm with Differential Evolution Operator). Nalezl jsem čtyři zlepšení těchto metod, zjistil jejich vhodná nastavení parametrů a porovnal je na vybraných testovacích funkcích. Experimentální výsledky prokázaly, že popsaná zlepšení mohou zvýšit výkon přírodou inspirovaných optimalizačních metod.cs_CZ
dc.description.abstractThis study focuses on the global optimization of functions of real variables using methods inspired by nature. It contains a description of selected global optimization techniques (Differential Evolution, Self-Organizing Migrating Algorithm, Steady-State Evolutionary Algorithm, Particle Swarm Optimization, Gregarious Particle Swarm Optimizer a Hybrid Particle Swarm with Differential Evolution Operator). I have found four improvements of these techniques, discovered their suitable parameter configurations and compared them on chosen trial functions. Experimental results proved that described improvements can increase performance of the optimization techniques inspired by nature.en_US
dc.languageČeštinacs_CZ
dc.language.isocs_CZ
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.titleMožnosti zvýšení výkonu přírodou inspirovaných globálních optimalizačních metodcs_CZ
dc.typebakalářská prácecs_CZ
dcterms.created2009
dcterms.dateAccepted2009-06-22
dc.description.departmentDepartment of Applied Mathematicsen_US
dc.description.departmentKatedra aplikované matematikycs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId65312
dc.title.translatedPossible improvements of global optimization methods inspired by natureen_US
dc.contributor.refereeBálek, Martin
dc.identifier.aleph001134479
thesis.degree.nameBc.
thesis.degree.levelbakalářskécs_CZ
thesis.degree.disciplineObecná informatikacs_CZ
thesis.degree.disciplineGeneral Computer Scienceen_US
thesis.degree.programInformatikacs_CZ
thesis.degree.programComputer Scienceen_US
uk.thesis.typebakalářská prácecs_CZ
uk.taxonomy.organization-csMatematicko-fyzikální fakulta::Katedra aplikované matematikycs_CZ
uk.taxonomy.organization-enFaculty of Mathematics and Physics::Department of Applied Mathematicsen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csObecná informatikacs_CZ
uk.degree-discipline.enGeneral Computer Scienceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csTato práce se zabývá optimalizací funkcí reálných proměnných pomocí přírodou inspirovaných metod. Obsahuje popis vybraných globálních optimalizačních metod (Differential Evolution, Self-Organizing Migrating Algorithm, Steady-State Evolutionary Algorithm, Particle Swarm Optimization, Gregarious Particle Swarm Optimizer a Hybrid Particle Swarm with Differential Evolution Operator). Nalezl jsem čtyři zlepšení těchto metod, zjistil jejich vhodná nastavení parametrů a porovnal je na vybraných testovacích funkcích. Experimentální výsledky prokázaly, že popsaná zlepšení mohou zvýšit výkon přírodou inspirovaných optimalizačních metod.cs_CZ
uk.abstract.enThis study focuses on the global optimization of functions of real variables using methods inspired by nature. It contains a description of selected global optimization techniques (Differential Evolution, Self-Organizing Migrating Algorithm, Steady-State Evolutionary Algorithm, Particle Swarm Optimization, Gregarious Particle Swarm Optimizer a Hybrid Particle Swarm with Differential Evolution Operator). I have found four improvements of these techniques, discovered their suitable parameter configurations and compared them on chosen trial functions. Experimental results proved that described improvements can increase performance of the optimization techniques inspired by nature.en_US
uk.file-availabilityV
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra aplikované matematikycs_CZ
dc.identifier.lisID990011344790106986


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV