2018
DOI: 10.1016/j.aeue.2018.07.021
|View full text |Cite
|
Sign up to set email alerts
|

Optimal components selection for active filter design with average differential evolution algorithm

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
1
1
1

Citation Types

0
3
0
3

Year Published

2018
2018
2024
2024

Publication Types

Select...
8

Relationship

1
7

Authors

Journals

citations
Cited by 18 publications
(6 citation statements)
references
References 20 publications
0
3
0
3
Order By: Relevance
“…In the mutation, each individual in the population known as the target vector Xi is utilized to produce a mutant vector, Vi. The DE/rand/1 mutation strategy is used in this work as (5):…”
Section: Differential Evolution Algorithmmentioning
confidence: 99%
See 1 more Smart Citation
“…In the mutation, each individual in the population known as the target vector Xi is utilized to produce a mutant vector, Vi. The DE/rand/1 mutation strategy is used in this work as (5):…”
Section: Differential Evolution Algorithmmentioning
confidence: 99%
“…Hence, these problems can be formulated as optimization problems, which optimization algorithms can fix. Metaheuristic methods have been suggested in the literature to tackle challenging problems in diverse domains [2], such as genetic algorithm (GA) [3], differential evolution (DE) [4], [5], particle swarm optimization (PSO) [6], ant colony optimization (ACO) [7]- [9], and artificial bee colony (ABC) [10]- [12]. Nevertheless, many researchers use hybrid metaheuristic methods to overcome many optimization issues.…”
Section: Introductionmentioning
confidence: 99%
“…Las mismas permiten obtener filtros que cumplen con las especificaciones con errores de diseño considerablemente inferiores a los obtenidos con métodos tradicionales. Son numerosos los EAs propuestos para dimensionar filtros, entre otros: algoritmos genéticos, optimización por enjambre de partículas, evolución diferencial, vortex seach y tabu search (Doʇan & Ölmez, 2015;Durmuş, 2018;Lovay et al, 2019;Vural et al, 2012).…”
Section: Conclusionesunclassified
“…ADE algoritması, diğer evrimsel hesaplama algoritmaları gibi çözüm geliştirme sürecinde sezgisel ve rassal değişimleri ve seçimleri kullanan, popülasyon tabanlı yeni önerilmiş bir sezgisel algoritmadır [17]. Hızlı bir yakınsama davranışı gösteren bu sezgisel algoritma, problemlerinin çözümünde kayda değer sonuçlar üretmektedir.…”
Section: Ade Algoritmasıunclassified
“…Bundan dolayı bu çalışmada sezgisel hesaplama tabanlı bilineer modelleme konusuna odaklanılmıştır. ADE algoritması, yeni önerilen sezgisel algoritmalardan biri olup hızlı yakınsama oranına sahip bir optimizasyon aracı olarak sunulmaktadır [17]. Popülasyondaki bireylerin ortalama değerleri üzerinden yeni birey üretiminin gerçekleştirildiği bu sezgisel algoritmada, kümülatif bir çözüm gelişimi sağlanmaktadır.…”
Section: Introductionunclassified