Fish School Search

Filho, Carmelo José Albanez Bastos; Neto, Fernando Buarque de Lima; Lins, Anthony José da Cunha Carneiro; Nascimento, Antonio I. S.; Lima, Marília P.

doi:10.1007/978-3-642-00267-0_9

Cited by 65 publications

(14 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The optimization process of the COBRA approach starts with generating one population for each biology-inspired component algorithm, and therefore, with generating five (or six later when the Fish School Search (FSS) [25] algorithm was added to the collective) populations. After that all populations are executed in parallel or in other words are executed simultaneously, cooperating with each other.…”

Section: Co-operation Of Biology-related Algorithms (Cobra)mentioning

confidence: 99%

“…The performance of the suggested modification of the COBRA algorithm (which will be called COBRA-SHA hereinafter) was compared with other state-of-the-art algorithms like PSO [7], WPS [26], FFA [23], CSA [22], BA [24] and FSS [25]. These algorithms have several parameters that should be initialized before running.…”

Section: Compared Algorithms and Parametric Setupmentioning

confidence: 99%

“…The original version of the COBRA consisted of six popular biology-inspired component algorithms, namely the Particle Swarm Optimization Algorithm (PSO) [7], the Cuckoo Search Algorithm (CSA) [22], the Firefly Algorithm (FFA) [23], the Bat Algorithm (BA) [24], the Fish School Search Algorithm (FSS) [25] and, finally, the Wolf Pack Search Algorithm (WPS) [26]. However, various other heuristics can be used as component algorithms (for example, the ones mentioned above) for COBRA as well as previously conducted experiments demonstrating that even the already chosen bio-inspired algorithms can be combined differently [27].…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Success History-Based Position Adaptation in Fuzzy-Controlled Ensemble of Biology-Inspired Algorithms

et al. 2020

View full text Add to dashboard Cite

In this study, a new modification of the meta-heuristic approach called Co-Operation of Biology-Related Algorithms (COBRA) is proposed. Originally the COBRA approach was based on a fuzzy logic controller and used for solving real-parameter optimization problems. The basic idea consists of a cooperative work of six well-known biology-inspired algorithms, referred to as components. However, it was established that the search efficiency of COBRA depends on its ability to keep the exploitation and exploration balance when solving optimization problems. The new modification of the COBRA approach is based on other method for generating potential solutions. This method keeps a historical memory of successful positions found by individuals to lead them in different directions and therefore to improve the exploitation and exploration capabilities. The proposed technique was applied to the COBRA components and to its basic steps. The newly proposed meta-heuristic as well as other modifications of the COBRA approach and components were evaluated on three sets of various benchmark problems. The experimental results obtained by all algorithms with the same computational effort are presented and compared. It was concluded that the proposed modification outperformed other algorithms used in comparison. Therefore, its usefulness and workability were demonstrated.

show abstract

Section: Co-operation Of Biology-related Algorithms (Cobra)mentioning

confidence: 99%

Section: Compared Algorithms and Parametric Setupmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Success History-Based Position Adaptation in Fuzzy-Controlled Ensemble of Biology-Inspired Algorithms

et al. 2020

View full text Add to dashboard Cite

show abstract

“…Due to their excellent performance, they have been the focus of research in recent years. There are many kinds of metaheuristic algorithms which inspired mechanisms, they can be roughly divided into two categories: one is to imitate biological processes, such as Genetic Algorithm (GA) [1], Particle Swarm Optimization Algorithm (PSO) [2], Ant Colony Optimization Algorithm (ACO) [3], Fish Swarm Search Algorithm (FSS) [4], Artificial Bee Colony Algorithm (ABC) [5], Firefly Algorithm (FA) [6], Cuckoo Algorithm (CS) [7], Bacterial Foraging Optimization (BFO) [8], Grey Wolf Optimizer (GWO) [9], Fruit Fly Optimization Algorithm (FOA) [10] etc. ; and the other is based on the principles of physics, such as Simulated Annealing (SA) [11], Gravitational Search Algorithm (GSA) [12], Biogeography-Based Optimization (BBO) [13], Water Wave Optimization, (WWO) [14]，Vortex Search (VS) [15], Harmony search, (HS) [16], etc.…”

Section: Introductionmentioning

confidence: 99%

Optimal Performance and Application for Firework Algorithm Using a Novel Chaotic Approach

Luo¹,

Jin²,

Li³

et al. 2020

IEEE Access

View full text Add to dashboard Cite

Aimed at the bottleneck of Firework Algorithm's performance and the problem that it is easy to fall into the local extremum, this paper introduces a chaotic map approach and analyzes its statistical characteristics. New hybrid chaotic systems and a chaotic perturbation operator are designed. Based on different chaotic map approaches, a new Chaotic Firework Algorithm (CFWA) is proposed and simulated by typical test functions. The results show that performance of the Chaotic Firework Algorithm is generally better than the original algorithms, and the chaotic hybrid approaches are superior to single chaotic approaches. In order to further verify the application of the proposed algorithm in practical engineering problems, CFWA is applied to Blind Source Separation (BSS) of radar signals. As a result, it does well in sorting observed signals, and has faster convergence and better sorting performance than the traditional algorithms. In this way, the CFWA extends its engineering application.

show abstract

“…Έναν χρόνο αργότερα, ο Chen (2009b) προτείνει τον Αλγόριθμο Τεχνητής Αναζήτησης Σμήνους (Artificial Searching Swarm Algorithm). Οι Filho et al (2009) πρότειναν την Αναζήτηση Κοπαδιού Ψαριών (Fish School Search) εμπνεόμενοι από τη συλλογική συμπεριφορά των ψαριών, όπου το κοπάδι κινείται σαν να μια μονάδα στην προσπάθεια εύρεσης τροφής, αλλά και στο ενδεχόμενο αποφυγής κινδύνων.…”

Section: άλλες συμπεριφορές σμήνουςunclassified

Νοήμονες Υπολογιστικές Μέθοδοι Εμπνευσμένες Από Τον Φυσικό Κόσμο Για Την Βελτιστοποίηση Συστημάτων

Τζανέτος¹

View full text Add to dashboard Cite

Η εποχή που διανύουμε φέρνει στο προσκήνιο την Τεχνητή Νοημοσύνη, καθότι διάφοροι κλάδοι ενσωματώνουν εντυπωσιακές εφαρμογές της. Πολλές αναφορές γίνονται στην 4η Βιομηχανική Επανάσταση, η οποία έχει πλέον την Τεχνητή Νοημοσύνη ως κύριο πυλώνα της. Ήδη από τη δεκαετία του 1950 αναπτύσσονταν νοήμονα συστήματα λήψης απόφασης, τα οποία συνήθως είχαν υποστηρικτικό ρόλο για έναν λήπτη απόφασης. Προβλήματα στα οποία έπρεπε να βρεθεί μια βέλτιστη στρατηγική, τα επονομαζόμενα προβλήματα βελτιστοποίησης, εμφανίζονται σε διάφορα πεδία όπως η Χρηματοοικονομική Μηχανική (Financial Engineering), η Μηχανική της Διοίκησης (Management Engineering) και η Επιχειρησιακή Έρευνα (Operational Research). Πολλά εκ των προβλημάτων που καλείται να λύσει ένας Μηχανικός ανήκουν στα προβλήματα βελτιστοποίησης. Και καθώς τα προβλήματα που αντιμετωπίζει η βιομηχανία γίνονται ολοένα και πιο δύσκολα, αυξάνεται η χρησιμότητα των Νοημόνων Υπολογιστικών Μεθόδων και η ενσωμάτωσή τους στους σχετικούς κλάδους της βιομηχανίας. Το φάσμα των Νοημόνων Υπολογιστικών Μεθόδων είναι ευρύ και εκτείνεται από τις μεθόδους Μηχανικής Μάθησης (Machine Learning) μέχρι και τις Νοήμονες Μεθόδους που είναι Εμπνευσμένες από τη Φύση (Nature-inspired Intelligent Methods). Οι τελευταίες, παρόλο που άρχισαν να αναπτύσσονται από τα μέσα της δεκαετίας του ’80, αποτέλεσαν ξεχωριστή κατηγορία Νοημόνων Υπολογιστικών Μεθόδων στη βιβλιογραφία στις αρχές του 2000. Λόγω της ικανότητάς τους να επιλύουν δύσκολα προβλήματα βελτιστοποίησης πολλών διαστάσεων, οι Νοήμονες Υπολογιστικές Μέθοδοι Εμπνευσμένες από τον Φυσικό Κόσμο έχουν προσελκύσει το ενδιαφέρον των ερευνητών διεθνώς ήδη από την προηγούμενη δεκαετία. Στην παρούσα διατριβή συλλέχθηκαν και μελετήθηκαν όλες οι Νοήμονες Υπολογιστικές Μέθοδοι που είναι Εμπνευσμένες από τον Φυσικό Κόσμο με σκοπό να εντοπιστούν τα χαρακτηριστικά που μπορούν να βελτιώσουν την απόδοσή τους. Επιπρόθετα, η μελέτη εστίασε και στα προβλήματα (χώρους εφαρμογής) που εφαρμόζονται οι παραπάνω μέθοδοι. Από αυτή την εκτενή μελέτη της βιβλιογραφίας προέκυψαν κάποιες παρατηρήσεις, οι οποίες αποτυπώθηκαν σε ένα πλαίσιο εργασίας (framework), το οποίο μπορεί να ακολουθήσει ο ενδιαφερόμενος ερευνητής, ώστε να αναπτύξει ή να βελτιώσει κάποια υπάρχουσα Νοήμονα Υπολογιστική Μέθοδος Εμπνευσμένη από τον Φυσικό Κόσμο. Επιπλέον, σε συμφωνία με το προτεινόμενο πλαίσιο εργασίας και με βάση τα προαναφερθέντα χαρακτηριστικά, αναπτύχθηκε μια νέα νοήμων υπολογιστική μέθοδος εμπνευσμένη από τους νόμους της υποθαλάσσιας ακουστικής, η οποία αποδεικνύεται αποτελεσματική στην επίλυση διαφόρων πρακτικών εφαρμογών από το χώρο της Μηχανικής των Αποφάσεων (Βελτιστοποίηση Χαρτοφυλακίου, Βέλτιστη Εξισορρόπηση Πόρων στη Διοίκηση Έργων, Οικονομική Κατανομή Φορτίου, Βελτιστοποίηση Γραμμών Παραγωγής). Μάλιστα, τα αποτελέσματα της προτεινόμενης μεθόδου συγκρίνονται με αυτά άλλων κλασικών μεθόδων της βιβλιογραφίας ή μεθόδων που ανήκουν εξίσου στην κατηγορία των Υπολογιστικών Μεθόδων που είναι Εμπνευσμένες από τον Φυσικό Κόσμο, τις οποίες και ξεπερνάει σε απόδοση. Κατά τη διάρκεια της έρευνας, εφαρμόζοντας την προτεινόμενη μέθοδο σε προβλήματα των χώρων εφαρμογής που αναφέρονται παραπάνω, βελτιώθηκαν μηχανισμοί της μεθόδου, ενώ αναπτύχθηκαν μηχανισμοί που βοήθησαν στην αντιμετώπιση διάφορων προβλημάτων που αντιμετωπίζουν οι Νοήμονες Υπολογιστικές Μέθοδοι που είναι Εμπνευσμένες από τον Φυσικό Κόσμο. Μάλιστα, οι μηχανισμοί που αναπτύχθηκαν αποτελούν και μέρος της συνεισφοράς της παρούσας διατριβής, καθώς μπορούν να υιοθετηθούν και από άλλες μεθόδους Υπολογιστικής Νοημοσύνης. Τέλος, σε ορισμένες περιπτώσεις αναπτύχθηκαν και υβριδικά σχήματα που περιέχουν την υπολογιστική μέθοδο που προτείνεται στην παρούσα διατριβή με σκοπό την βελτίωση της απόδοσής της.

show abstract

Fish School Search

Cited by 65 publications

References 12 publications

Success History-Based Position Adaptation in Fuzzy-Controlled Ensemble of Biology-Inspired Algorithms

Success History-Based Position Adaptation in Fuzzy-Controlled Ensemble of Biology-Inspired Algorithms

Optimal Performance and Application for Firework Algorithm Using a Novel Chaotic Approach

Νοήμονες Υπολογιστικές Μέθοδοι Εμπνευσμένες Από Τον Φυσικό Κόσμο Για Την Βελτιστοποίηση Συστημάτων

Contact Info

Product

Resources

About