General Suppression Control Framework: Application in Self-balancing Robots

Ko, Albert; Lau, Hon‐Shiang; Lau, T. L.

doi:10.1007/11536444_29

Cited by 7 publications

(2 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The GSCF was originally conceptualized for the control of homogeneous agents and subsequently, applied to the control of distributed homogeneous and heterogeneous autonomous systems [32,34,35]. Based on the concept of GSCF, the regulation mechanism is taken as a means to regulate the dynamics of the evolution population in the proposed algorithm.…”

Section: Basis and Methodologymentioning

confidence: 99%

A parallel immune optimization algorithm for numeric function optimization

Lau

Tsang

2008

Evol. Intel.

View full text Add to dashboard Cite

Immune optimization algorithms show good performance in obtaining optimal solutions especially in dealing with numeric optimization problems where such solutions are often difficult to determine by traditional techniques. This article presents the parallel suppression control algorithm (PSCA), a parallel algorithm for optimization based on artificial immune systems (AIS). PSCA is implemented in a parallel platform where the corresponding population of antibodies is partitioned into subpopulations that are distributed among the processes. Each process executes the immunity-based algorithm for optimizing its subpopulation. In the process of evolving the solutions, the activities of antibodies and the activities of the computation agents are regulated by the general suppression control framework (GSCF) which maintains and controls the interactions between the populations and processes. The proposed algorithm is evaluated with benchmark problems, and its performance is measured and compared with other conventional optimization approaches.

show abstract

Section: Basis and Methodologymentioning

confidence: 99%

A parallel immune optimization algorithm for numeric function optimization

Lau

Tsang

2008

Evol. Intel.

View full text Add to dashboard Cite

show abstract

“…Therefore, Autonomous Robot Navigation [227,141,246,132,120] constitutes a leading sub-field of AIS-based control applications. Specifically, the authors in [121,160] investigate the idea of utilizing an AIS-based robot navigation system in a rescue scenario.…”

mentioning

confidence: 99%

Μεθοδολογίες Μηχανικής Μάθησης Βασισμένες Σε Τεχνητά Ανοσοποιητικά Συστήματα

Sotiropoulos¹,

Σωτηρόπουλος²

View full text Add to dashboard Cite

Η παρούσα διδακτορική διατριβή έγκειται στον ευρύτερο ερευνητικό τομέα της Αναγνώρισης Προτύπων και στοχεύει στην θεωρητική και πειραματική απόδειξη της εγκυρότητας των Τεχνητών Ανοσοποιητικών Συστημάτων ως ένα εναλλακτικό υπόδειγμα μηχανικής μάθησης. Η κύρια πηγή έμπνευσης για τη δημιουργία των Τεχνητών Ανοσοποιητικών Συστημάτων είναι το Προσαρμοστικό Ανοσοποιητικό Σύστημα των σπονδυλωτών οργανισμών το οποίο συνιστά ένα από τα πιο εξελιγμένα βιολογικά συστήματα. Συγκεκριμένα, το Προσαρμοστικό Ανοσοποιητικό Σύστημα έχει προσαρμοστεί μέσω της βιολογικής εξέλιξης κατά τέτοιο τρόπο έτσι ώστε να είναι σε θέση να επιτελεί συνεχώς τη διαδικασία της διάκρισης του εαυτού από τον μη-εαυτό η οποία συνιστά ένα ταξινομητικό πρόβλημα εξαιρετικής ταξικής ανισορροπίας. Η τρέχουσα διδακτορική διατριβή εστιάζει στην αντιμετώπιση των θεμελιωδών προβλημάτων με τα οποία ασχολείται η αναγνώριση προτύπων μέσω της ανάπτυξης αλγορίθμων μηχανικής μάθησης οι οποίοι βασίζονται στα βιολογικά ανοσοποιητικά συστήματα. Ως εκ τούτου, η σχετική έρευνα ενδιαφέρεται ιδιαίτερα για την διατύπωση εναλλακτικών μεθοδολογιών μηχανικής μάθησης για τα προβλήματα της Ομαδοποίησης, της Ταξινόμησης και της Μονοταξικής Ταξινόμησης και την μέτρηση της αποτελεσματικότητάς τους σε σύγκριση με τις πλέον σύγχρονες μεθοδολογίες όπως αυτής των Μηχανών Διανυσματικής Υποστήριξης. Η Ταξινόμηση προτύπων μελετάται ειδικότερα μέσα στο πλαίσιο της Ταξικής Ανισορροπίας η οποία αφορά προβλήματα για τα οποία τα σύνολα των δεδομένων εκπαίδευσης είναι εξαιρετικά ασύμμετρα. Τα πειραματικά δεδομένα που παρουσιάζονται στην παρούσα διατριβή περιλαμβάνουν εκφυλισμένα δυαδικά προβλήματα ταξινόμησης όπου η κλάση ενδιαφέροντος προς αναγνώριση είναι γνωστή μέσω ενός περιορισμένου αριθμού θετικών δειγμάτων. Με άλλα λόγια, η κλάση στόχος καταλαμβάνει μόνο ένα μέρος αμελητέου όγκου από τον συνολικό χώρο των προτύπων ενώ ο συμπληρωματικός χώρος των αρνητικών προτύπων παραμένει εντελώς άγνωστος κατά την διαδικασία της εκπαίδευσης. Η επίδραση του φαινομένου της Ταξικής Ανισορροπίας στην επίδοση του προτεινόμενου ανοσοποιητικού αλγορίθμου ταξινόμησης αποτελεί έναν επιπλέον στόχο της τρέχουσας διατριβής. Το γενικό πλαίσιο πειραματισμού που υιοθετήθηκε σε αυτή την διδακτορική διατριβή, προκειμένου να αποτιμηθεί η αποτελεσματικότητα των προτεινόμενων αλγορίθμων, Ομαδοποίησης, Ταξινόμησης και Μονοταξικής Ταξινόμησης περιλαμβάνει μια ελεύθερη συλλογή χιλίων (1000) μουσικών κομματιών από δέκα (10) μουσικολογικές κλάσεις δυτικής μουσικής. Η συλλογή αυτή, ειδικότερα, έχει χρησιμοποιηθεί εκτενώς σε εφαρμογές που αφορούν στην ανάκτηση μουσικής πληροφορίας και στην ταξινόμηση ως προς το μουσικολογικό είδος. Η λίστα που ακολουθεί συνοψίζει τα προβλήματα αναγνώρισης προτύπων που απευθύνθηκαν στην παρούσα διδακτορική διατριβή μέσω της εφαρμογής εξειδικευμένων αλγορίθμων μηχανικής μάθησης οι οποίοι σχεδιάστηκαν ως βασισμένοι στις αρχές των βιολογικών ανοσοποιητικών συστημάτων.•Artificial Immune System-Based music piece clustering and Database Organization •Artificial Immune System-Based Customer Data Clustering in an e-Shopping Application.•Artificial Immune System-Based Music Genre Classification.•A Music Recommender Based on Artificial Immune Systems.Τα πειραματικά αποτελέσματα που παρουσιάζονται σε αυτή τη διδακτορική διατριβή αποδεικνύουν την εγκυρότητα των Τεχνητών Ανοσοποιητικών Συστημάτων ως ένα εναλλακτικό υπόδειγμα Μηχανικής Μάθησης.

show abstract

Artificial Immune Systems

Sotiropoulos

Tsihrintzis

2016

Machine Learning Paradigms

View full text Add to dashboard Cite

General Suppression Control Framework: Application in Self-balancing Robots

Cited by 7 publications

References 8 publications

A parallel immune optimization algorithm for numeric function optimization

A parallel immune optimization algorithm for numeric function optimization

Μεθοδολογίες Μηχανικής Μάθησης Βασισμένες Σε Τεχνητά Ανοσοποιητικά Συστήματα

Artificial Immune Systems

Contact Info

Product

Resources

About