Autor: Baumgart, Jan - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Implementacja środowiska testowego w języku R
Implementation of a test environment in R
Autorzy:: Baumgart, Jan
Powiązania:: https://bibliotekanauki.pl/articles/41206405.pdf
Data publikacji:: 2019
Wydawca:: Uniwersytet Kazimierza Wielkiego w Bydgoszczy
Tematy:: R
Shiny R
Shiny Dashboard
DT
algorytmy
środowisko testowe
Shiny dashboard
algorithms
test enviroments
Opis:: W pracy przedstawione zostały biblioteki oraz ich zastosowanie do implementacji środowiska testowego algorytmów rojowych. Wykorzystane moduły pozwalają przygotować w pełni sprawne narzędzie w szybki sposób. Przedstawione środowisko testowe w tym artykule zostało przygotowane do wspomagania badań nad algorytmami rojowymi i może być wykorzystane jako zasób sieciowy jak i skrypt dostępny lokalnie. Metody wykorzystane w tym artykule mogą posłużyć do budowy środowisk testowych dla wielu innych nie związanych z algorytmami rojowymi sceneriów.
The work presents libraries and their application for implementing the swarm algorithms test environment. The modules used allow you to prepare a fully functional tool quickly. The test environment presented in this article has been prepared to support research on swarm algorithms and can be used as a network resource as well as a locally available script. The methods used in this article can be used to build test environments for many other scenery not related to swarm algorithms.
Źródło:: Studia i Materiały Informatyki Stosowanej; 2019, 1; 14-19
1689-6300
Pojawia się w:: Studia i Materiały Informatyki Stosowanej
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Algorytm inspirowany polem walki - połączenie algorytmów numerycznych z ideą roju
Autorzy:: Baumgart, Jan
Sangho, Belco
Powiązania:: https://bibliotekanauki.pl/articles/41206049.pdf
Data publikacji:: 2021
Wydawca:: Uniwersytet Kazimierza Wielkiego w Bydgoszczy
Tematy:: algorytm optymalizacyjny
inspiracja polem walki
rozwiązanie
optymalizacja
rzeczywiste problemy optymalizacji
optymalizacja funkcji
algorytm numeryczny
optimization algorithms
battlefield inspired inspiration
solution
optimization
real optimization problems
function optimization
numerical algorithm
Opis:: Artykuł przedstawia przygotowany algorytm na bazie połączenia idei znanych metod numerycznych z metodami opartymi na idei roju. Algorytm został przygotowany z inspiracji polem walki podczas którego w równych odstępach żołnierze przeczesują siły wroga z różnymi prędkościami zależnie od posiadanego orężu a następnie ograniczają zakres pola bitwy. Zaproponowane rozwiązanie wywodzi się właśnie ze zbliżonych założeń. Głównym założeniem pracy było przedstawienie potencjalnego zysku z połączenia metod optymalizacji oraz porównanie metody mieszanej z metodami bazującymi na idei roju pod względem prędkości działania oraz skuteczności odnajdowania optimum globalnego.Algorytm został porównany z dwoma algorytmami metaheurystycznymi pod kątem dokładności odnalezionych rozwiązań oraz prędkości. Zgodnie z wynikami eksperymentów posiada wydajność podobną w porównaniu z innymi algorytmami oraz daje zadowalające efekty w wykorzystaniu.
he article presents prepared algorithm based on the combination of the ideas of known numericalmethods with methods based on the idea of a swarm. The algorithm was prepared inspired by the battlefield,during which, at equal intervals, soldiers scour enemy forces at different speeds depending on the weapon theyhave, and then limit the scope of the battlefield. The proposed solution is based on similar assumptions. Themain assumption of the work was to present the potential profit from the combination of optimization methodsand to compare the mixed method with methods based on the idea of a swarm in terms of operating speed andthe effectiveness of finding the global optimum. The algorithm was compared with two metaheuristic algorithmsin terms of the accuracy of the solutions found and speed. According to the results of the experiments, it hasa similar performance compared to other algorithms and gives satisfactory results in use.
Źródło:: Studia i Materiały Informatyki Stosowanej; 2021, 2; 26-31
1689-6300
Pojawia się w:: Studia i Materiały Informatyki Stosowanej
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Studium przypadku skuteczności nowych metod optymalizacji roju w porównaniu do metod znanych
Autorzy:: Baumgart, Jan
Sangho, Belco
Powiązania:: https://bibliotekanauki.pl/articles/41206153.pdf
Data publikacji:: 2021
Wydawca:: Uniwersytet Kazimierza Wielkiego w Bydgoszczy
Tematy:: algorytm roju
wzorce
inspirowanie naturą
metaheurystyka
pojedyncze obiektywne problemy optymalizacji
optymalizacja funkcji
algorytmy optymalizacji
swarm algorithm
patterns
inspired by nature
metaheuristics
single objective optimization problems
function optimization
optimization algorithms
Opis:: Porównianie skuteczności nowych metod optymalizacji roju w porównaniu z metodami znanymi w dziedzinie. Inspirowane naturą algorytmy metaheurystyczne stają się coraz bardziej popularne w rozwiązywaniu problemów optymalizacyjnych. Dzięki ich popularności niemal codziennie możemy zobaczyć nowepodejścia i proponowane rozwiązania. W tym artykule przedstawię porównanie, które pokaże kilka najnowszychprac z tej dziedziny w porównaniu z niektórymi algorytmami traktowanymi jako podstawa dziedziny. Głównymcelem było porównanie ostatnio wprowadzonych algorytmów roju i określenie, kiedy nowe rozwiązania są faktycznie szybsze i bardziej precyzyjne. Podsumowując, czy przetestowane nowe podejścia są lepsze niż obecne,dobrze znane i ugruntowane w terenie algorytmy. Algorytmy brane pod uwagę w tej pracy to: Particle SwarmOptimization [5], Artifical Bee Colony [3], Elephant Herding Optimization [7], Whale Optimization [4] i Gras-shopper Optimization [6].Algorytmy uznawane za nowe w tej dziedzinie porównano z dwoma popularnymi idobrze znanymi algorytmami metaheurystycznymi pod względem dokładności znalezionych rozwiązań i szybkości. Zgodnie z wynikami eksperymentów większość porównywanych nowych algorytmów dawała zadowalającewyniki w użytkowaniu.
Comparing the effectiveness of new methods of swarm optimization in comparison with knownmethods. Nature-inspired metaheuristic algorithms are becoming more and more popular in solving optimization problems. Thanks to their popularity, we can see new approaches and proposed solutions almost everyday. In this article, I will present a comparison that will show some of the most recent works in this fieldcompared to some algorithms considered as the basis of the field. The main goal was to compare the recently introduced swarm algorithms and determine when new solutions are actually faster and more precise. Inconclusion, are the new approaches tested better than the current, well-known and field-grounded algorithms?The algorithms considered in this paper are Particle Swarm Optimization, Artifical Bee Colony, Elephant Herding Optimization, Whale Optimization, and Grasshopper Optimization. Algorithms considered new inthis field were compared with two popular and well-known metaheuristic algorithms in terms of accuracy ofsolutions found and speed. According to the experimental results, most of the compared new algorithms gave satisfactory results in use.
Źródło:: Studia i Materiały Informatyki Stosowanej; 2021, 1; 47-50
1689-6300
Pojawia się w:: Studia i Materiały Informatyki Stosowanej
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "Baumgart, Jan" wg kryterium: Autor

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język