การเปรียบเทียบประสิทธิภาพระหว่างอัลกอริทึมอาณานิคมผึ้งเทียม กับ วิธีการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค
Article Sidebar
เผยแพร่แล้ว:
ก.ค. 23, 2019
คำสำคัญ:
อัลกอริทึมอาณานิคมผึ้งเทียม วิธีการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค การหาค่าที่เหมาะสมที่สุด ฟังก์ชันมาตรฐาน
Main Article Content
บทคัดย่อ
อัลกอริทึมอาณานิคมผึ้งเทียมและวิธีการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาคเป็นหนึ่งในความฉลาดแบบกลุ่มที่เป็นที่นิยมนามาใช้ในการหาค่าความเหมาะสมทั้งสองอัลกอริทึมเป็นอัลกอริทึมที่เลียนแบบมาจากพฤติกรรมการหาอาหารของฝูงสัตว์ บทความนี้ได้นาเสนอเทคนิคของอัลกอริทึมอาณานิคมผึ้งเทียมและวิธีการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาคและนามาเปรียบเทียบความเหมือนและความต่างพร้อมวัดประสิทธิภาพในการหาค่าที่ดีที่สุดผ่านฟังก์ชันมาตรฐานทั้งหมด 8 ฟังก์ชัน จากการทดลองพบว่าอัลกอริทึมอาณานิคมผึ้งเทียมเหมาะกับปัญหาแบบพหุฐานนิยม ขณะที่วิธีการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาคเหมาะกับปัญหาแบบฐานนิยมเดียว
Article Details
บท
บทความวิจัย
References
บุญเจริญ ศิริเนาวกุล. (2555). ปัญญาประดิษฐ์: ปัญญาเชิงกลุ่ม. กรุงเทพมหานคร: ท้อป.
Hedar, A. (2018) Test Functions for Unconstrained Optimization, Retrieved from https://www-optima.amp.i.kyoto-u.ac.jp/member/student/hedar/ Hedar_files/TestGO.htm
Karaboga, D. (2005). An Idea Based on Honey Bee Swarm for Numerical Optimization. Technical Report-TR06, Erciyes University, Engineering Faculty, Computer Engineering Department, Turkey.
Karaboga, D. & Akay B. (2009). A Comparative study of artificial bee colony algorithm. Applied Mathematics and computation, 214(1), 108-132.
Karaboga, D. & Akay, B. (2009). A Survey: Algorithms Simulating Bee Swarm Intelligence; Artificial Intelligence Review, 31 (1), 61-85.
Sindhya, K. (2012). An Introduction to Nature Inspired Algorithms. Industrial Optimization Group, 1-36.
Molga, M. & Smutnicki, C. (2005). Test functions for optimization needs, Retrieved March 1, 2019, from https://www.robertmarks.org/ Classes/ENGR5358/ Papers/functions.pdf
Eberhart, R. C. & Kennedy, J. (1995). Particle Swarm Optimization. Proceedings of the 1995 IEEE International Conference on Neural Networks, 4, 1942-1948.
Eberhart, R. C. & Kennedy, J. (1995). A New Optimizer Using Particle Swarm Theory. Proceedings of the 6th International Symposium on Micro Machine and Human Science, 6, 39-43.
Sharma, S. & Bhambu, P. (2016). Artificial Bee Colony Algorithm: A Survey. International Journal of Computer Applications, 149(4), 11-19.
Surjanovic, S. & D, Bingham, D. (2017). Optimization Test Functions and Datasets, Retrieved from https://www.sfu.ca/~ssurjano/index.html
Hedar, A. (2018) Test Functions for Unconstrained Optimization, Retrieved from https://www-optima.amp.i.kyoto-u.ac.jp/member/student/hedar/ Hedar_files/TestGO.htm
Karaboga, D. (2005). An Idea Based on Honey Bee Swarm for Numerical Optimization. Technical Report-TR06, Erciyes University, Engineering Faculty, Computer Engineering Department, Turkey.
Karaboga, D. & Akay B. (2009). A Comparative study of artificial bee colony algorithm. Applied Mathematics and computation, 214(1), 108-132.
Karaboga, D. & Akay, B. (2009). A Survey: Algorithms Simulating Bee Swarm Intelligence; Artificial Intelligence Review, 31 (1), 61-85.
Sindhya, K. (2012). An Introduction to Nature Inspired Algorithms. Industrial Optimization Group, 1-36.
Molga, M. & Smutnicki, C. (2005). Test functions for optimization needs, Retrieved March 1, 2019, from https://www.robertmarks.org/ Classes/ENGR5358/ Papers/functions.pdf
Eberhart, R. C. & Kennedy, J. (1995). Particle Swarm Optimization. Proceedings of the 1995 IEEE International Conference on Neural Networks, 4, 1942-1948.
Eberhart, R. C. & Kennedy, J. (1995). A New Optimizer Using Particle Swarm Theory. Proceedings of the 6th International Symposium on Micro Machine and Human Science, 6, 39-43.
Sharma, S. & Bhambu, P. (2016). Artificial Bee Colony Algorithm: A Survey. International Journal of Computer Applications, 149(4), 11-19.
Surjanovic, S. & D, Bingham, D. (2017). Optimization Test Functions and Datasets, Retrieved from https://www.sfu.ca/~ssurjano/index.html