Publication

A Fast Multi-Objective Evolutionary Algorithm applied to Industrial Problems

Daniel Favrat
2002
Conference Papers

Résumé

The CEPA, an Evolutionary Algorithm that preserves diversity by finding clusters in the population, has had its convergence performance improved by a technique tentatively called ‘evolutionary operator selection’. Performance is compared to results found in the literature, though at the moment it is not entirely clear how the evolutionary operator selection mechanisms work. The resulting algorithm has been applied to a number of problems - including a hybrid vehicle configuration and coke production in Shanxi Province, China.

Source officielle

https://infoscience.epfl.ch/entities/publication/b9884f96-4caf-473e-82ca-68fe852117d0

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Daniel Favrat
2002
Conference Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/b9884f96-4caf-473e-82ca-68fe852117d0

À propos de ce résultat

Concepts associés (31)

Algorithme évolutionniste

vignette|redresse=1.2|Un algorithme évolutionnaire utilise itérativement des opérateurs de sélections (en bleu) et de variation (en jaune). i : initialisation, f(X) : évaluation, ? : critère d'arrêt, Se : sélection, Cr : croisement, Mu : mutation, Re : remplacement, X* : optimum. Les algorithmes évolutionnistes ou algorithmes évolutionnaires (evolutionary algorithms en anglais), sont une famille d'algorithmes dont le principe s'inspire de la théorie de l'évolution pour résoudre des problèmes divers.

Evolutionary computation

In computer science, evolutionary computation is a family of algorithms for global optimization inspired by biological evolution, and the subfield of artificial intelligence and soft computing studying these algorithms. In technical terms, they are a family of population-based trial and error problem solvers with a metaheuristic or stochastic optimization character. In evolutionary computation, an initial set of candidate solutions is generated and iteratively updated.

Algorithme génétique

Les algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Leur but est d'obtenir une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps raisonnable. Les algorithmes génétiques utilisent la notion de sélection naturelle et l'appliquent à une population de solutions potentielles au problème donné.

Afficher plus

Publications associées (18)

Afficher plus

A Fast Multi-Objective Evolutionary Algorithm applied to Industrial Problems

Chattez avec Graph Search

Exploiting Multistage Optimization Structure in Proximal Solvers

A Reinforcement Learning Approach to Train Routing and Scheduling

Gaining Insight into Quality Diversity