Samenvatting
Summary Algorithm overview - 1BM120
This document includes the algorithms and their pro and cons
[Meer zien]Voorbeeld 2 van de 6 pagina's
Voorbeeld 2 van de 6 pagina's
In winkelwagengesponsord bericht van onze partner
Voorbeeld van de inhoud
Genetic algorithms:+ Widely used in every discipline.
+ Effective in complex problems on large search spaces.
+ Works for both discrete and real-valued candidate solutions
+ Easy to understand and extend
+ Supports multi-objective optimization
+ Effective with noisy/non-differentiable problems or non-analytic problems
+ Well suited to MOO since they are robust w.r.t. complexity of the problem and retain a set of
solutions each of which satisfies the objective
- Premature convergence
- Loss of diversity
- assumes genotypes and genetic operators
- Can require high computational time
- Simple GA has binary representation
Differential evolution:
+ Effective and popular
+ Repositories of bad fitting individuals can be used to improve diversity and performance
+ Changing population size can be used to balance exploration and exploitation.
+ Adaptive parameters can help to alter its behavior according to the characteristics of the fitness
landscape.
+ Can be used for nonlinear and nondifferentiable continuous space functions
Covariance matrix adaptation evolution strategies:
+ Exploits possible correlations between the variables
+ Tries to follow a path increasing the likelihood of taking successful steps
+ Self-tuning algorithm (no hyper-parameters)
+ Scale, rotation or translation is invariant
+ Restarts and adaptive population size can strongly improve the performances
Swarm intelligence:
+ Based on information exchange about promising solutions.
, + Well suitable for real-valued problems (discrete versions exist)
+ Simple and efficient
+ Does not require differentiable problem
Particle swarm optimization:
+ Simple
- Real-valued vectors
Ant colony optimization:
+ Can be extended with elitism
+ Excellent for constrained discrete problems
+ Adapts to new distances
+ Retains memory of entire colony
+ Less affected by poor initial solutions
+ Suited for combinatorial and constructive problems
- Less intuitive
Multi-objective particle swarm optimization:
+ Convergence and diversity
+ Can be extended with mutation operators and ε -dominance to OMOPSO to reduce crowding
- Lot of parameters to be tuned
OMOPSO:
+ Better distribution of solutions on the pareto front
- Additional hyper-parameter tuning
NSGA-II:
+ Introduces elitism
+ Uses fast dominated sorting to rank solutions
+ Leverages crowding distances to maintain diversity in the population -> diversity
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper AnneBannink. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €2,99. Je zit daarna nergens aan vast.
Is Stuvia te vertrouwen?
4,6 sterren op Google & Trustpilot (+1000 reviews)
Afgelopen 30 dagen zijn er 67447 samenvattingen verkocht
Opgericht in 2010, al 14 jaar dé plek om samenvattingen te kopen