Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Genetic algorithm" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-9 z 9
    Tytuł:
    Improving estimation accuracy of metallurgical performance of industrial flotation process by using hybrid genetic algorithm – artificial neural network (GA-ANN)
    Autorzy:
    Allahkarami, E.
    Salmani Nuri, O.
    Abdollahzadeh, A.
    Rezai, B.
    Maghsoudi, B.
    Powiązania:
    https://bibliotekanauki.pl/articles/109424.pdf
    Data publikacji:
    2017
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    artificial neural network
    genetic algorithm
    prediction
    copper flotation
    Opis:
    In this study, a back propagation feed forward neural network, with two hidden layers (10:10:10:4), was applied to predict Cu grade and recovery in industrial flotation plant based on pH, chemical reagents dosage, size percentage of feed passing 75 μm, moisture content in feed, solid ratio, and grade of copper, molybdenum, and iron in feed. Modeling is performed basing on 92 data sets under different operating conditions. A back propagation training was carried out with initial weights randomly mode that may lead to trapping artificial neural network (ANN) into the local minima and converging slowly. So, the genetic algorithm (GA) is combined with ANN for improving the performance of the ANN by optimizing the initial weights of ANN. The results reveal that the GA-ANN model outperforms ANN model for predicting of the metallurgical performance. The hybrid GA-ANN based prediction method, as used in this paper, can be further employed as a reliable and accurate method, in the metallurgical performance prediction.
    Źródło:
    Physicochemical Problems of Mineral Processing; 2017, 53, 1; 366-378
    1643-1049
    2084-4735
    Pojawia się w:
    Physicochemical Problems of Mineral Processing
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The survey of soft computing techniques for reliability prediction
    Autorzy:
    Smoczek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/246835.pdf
    Data publikacji:
    2012
    Wydawca:
    Instytut Techniczny Wojsk Lotniczych
    Tematy:
    reliability prediction
    artificial intelligence
    fuzzy logic
    artificial neural network
    genetic algorithm
    Opis:
    The objective of reliability prediction is to estimate a time of upcoming nonoperational state at the current operational state of a system through real-time monitoring operational parameters and/or performances. Hence, the predictive (proactive) maintenance in industrial systems involves operational conditions monitoring and online forecasting the useful life of machines equipment to support the decision-making process in selection of the best maintenance action to be carried out. The advanced warning of the failure possibility can bring the attention of machines operators and maintenance personnel to impending danger, and facilitate planning preventive and corrective operations, as well as inventory managing. This problem has been extensively studied in many scientific works, where the predictive models are based on the data-driven approaches that can be generally divided into statistical techniques (regression, ARMA models, Bayesian probability distribution estimation, etc.), grey system theory, and soft computing methods. The artificial intelligence is frequently addressed to the predictive problem by utilizing the learning capability of artificial neural network (ANN), and possibility of nonlinear mapping using fuzzy rules-based system (FRBS) or recognizing and optimizing data-derived pattern by using evolutionary algorithms. The paper is a survey of intelligent methods for failure prediction, and delivers the review of examples of scientific works presenting the computational intelligence-based approaches to predictive problem.
    Źródło:
    Journal of KONES; 2012, 19, 3; 407-414
    1231-4005
    2354-0133
    Pojawia się w:
    Journal of KONES
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of artificial neural network and genetic algorithm to healthcarewaste prediction
    Autorzy:
    Arabgol, S.
    Ko, H. S.
    Powiązania:
    https://bibliotekanauki.pl/articles/91848.pdf
    Data publikacji:
    2013
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    artificial neural network
    ANN
    application
    hospital
    genetic algorithm
    GA
    healthcare waste
    Opis:
    Prompt and proper management of healthcare waste is critical to minimize the negative impact on the environment. Improving the prediction accuracy of the healthcare waste generated in hospitals is essential and advantageous in effective waste management. This study aims at developing a model to predict the amount of healthcare waste. For this purpose, three models based on artificial neural network (ANN), multiple linear regression (MLR), and combination of ANN and genetic algorithm (ANN-GA) are applied to predict the waste of 50 hospitals in Iran. In order to improve the performance of ANN for prediction, GA is applied to find the optimal initial weights in the ANN. The performance of the three models is evaluated by mean squared errors. The obtained results have shown that GA has significant impact on optimizing initial weights and improving the performance of ANN.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2013, 3, 4; 243-250
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural modeling and optimization of the coverage of the sprayed surface
    Autorzy:
    Cieniawska, B.
    Pentoś, K.
    Łuczycka, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/200585.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    spray nozzle
    spraying efficiency
    spray coverage
    artificial neural network
    genetic algorithm
    Opis:
    Improving application efficiency is crucial for both the economic and environmental aspects of plant protection. Mathematical models can help in understanding the relationships between spray application parameters and efficiency, and reducing the negative impact on the environment. The effect of nozzle type, spray pressure, driving speed and spray angle on spray coverage on an artificial plant was studied. Artificial intelligence techniques were used for modeling and the optimization of application process efficiency. The experiments showed a significant effect of droplet size on the percent area coverage of the sprayed surfaces. A high value of the vertical transverse approach surface coverage results from coarse droplets, high driving speed, and nozzles angled forward. Increasing the vertical transverse leaving surface coverage, as well as the coverage of the sum of all sprayed surfaces, requires fine droplets, low driving speed, and nozzles angled backwards. The maximum coverage of the upper level surface is obtained with coarse droplets, low driving speed, and a spray angle perpendicular to the direction of movement. The choice of appropriate nozzle type and spray pressure is an important aspect of chemical crop protection. Higher upper level surface coverage is obtained when single flat fan nozzles are used, while twin nozzles produce better coverage of vertical surfaces. Adequate neural models and evolutionary algorithms can be used for pesticide application process efficiency optimization.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2020, 68, 3; 601-608
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuro-genetic optimization of ribbed heat exchanger using entropy augmentation generation number
    Autorzy:
    Konchada, Pavan K.
    Sukhvinder, Bhatti
    Relangi, Siddhardha
    Chekuri, Rambhadriraju
    Powiązania:
    https://bibliotekanauki.pl/articles/240035.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    rib
    square duct
    entropy augmentation generation number
    artificial neural network
    micro genetic algorithm
    Opis:
    Numerical predictions of heat transfer under laminar conditions in a square duct with ribs are presented in this paper. Ribs are provided on top and bottom walls in a square duct in a staggered manner. The flow rates have been varied between Reynolds number 200 and 600. Various configurations of ribs by varying length, width and depth have been investigated for their effect on heat transfer, friction factor and entropy augmentation generation number. Further artificial neural network integrated with genetic algorithm was used to minimize the entropy augmentation generation number (performance factor) by selecting the optimum rib dimensions in a selected range. Genetic algorithm is compared with microgenetic algorithm to examine the reduction in computational time for outlay of solution accuracy.
    Źródło:
    Archives of Thermodynamics; 2020, 41, 2; 169-184
    1231-0956
    2083-6023
    Pojawia się w:
    Archives of Thermodynamics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modeling Pollution Index Using Artificial Neural Network and Multiple Linear Regression Coupled with Genetic Algorithm
    Autorzy:
    Abdulkareem, Iman Ali
    Abbas, Abdulhussain A.
    Dawood, Ammar Salman
    Powiązania:
    https://bibliotekanauki.pl/articles/2068477.pdf
    Data publikacji:
    2022
    Wydawca:
    Polskie Towarzystwo Inżynierii Ekologicznej
    Tematy:
    Shatt Al-Arab river
    comprehensive pollution index
    multiple linear regression
    artificial neural network
    genetic algorithm
    Opis:
    Shatt Al-Arab River in Basrah province, Iraq, was assessed by applying comprehensive pollution index (CPI) at fifteen sampling locations from 2011 to 2020, taking into consideration twelve physicochemical parameters which included pH, Tur., TDS, EC, TH, Na+, K+, Ca+2, Mg+2, Alk., SO4-2, and Cl-. The effectiveness of multiple linear regression (MLR) and artificial neural network (ANN) for predicting comprehensive pollution index was examined in this research. In order to determine the ideal values of the predictor parameters that lead to the lowest CPI value, the genetic algorithm coupled with multiple linear regression (GA-MLR) was used. A multi-layer feed-forward neural network with backpropagation algorithm was used in this study. The optimal ANN structure utilized in this research consisted of three layers: the input layer, one hidden layer, and one output layer. The predicted equation of the comprehensive pollution index was created using the regression technique and used as an objective function of the genetic algorithm. The minimum predicted comprehensive pollution index value recommended by the GA-MLR approach was 0.3777.
    Źródło:
    Journal of Ecological Engineering; 2022, 23, 3; 236--250
    2299-8993
    Pojawia się w:
    Journal of Ecological Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comprehensive analysis of reclamation of spent lubricating oil using green solvent: RSM and ANN approach
    Autorzy:
    Sarkar, Sayantan
    Datta, Deepshikha
    Chowdhury, Somnath
    Das, Bimal
    Powiązania:
    https://bibliotekanauki.pl/articles/2173421.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    modelling
    optimization
    extraction-flocculation
    artificial neural network
    genetic algorithm
    modelowanie
    optymalizacja
    sztuczna sieć neuronowa
    algorytm genetyczny
    Opis:
    Waste lubricating oil (WLO) is the most significant liquid hazardous waste, and indiscriminate disposal of waste lubricating oil creates a high risk to the environment and ecology. Present investigation emphasizes the re-refining of used automobile engine oil using the extraction-flocculation approach to reduce environmental hazards and convert the waste to energy. The extraction-flocculation process was modeled and optimized using response surface methodology (RSM), artificial neural network (ANN), and genetic algorithm (GA). The present study assessed parametric effects of refining time, refining temperature, solvent to waste oil ratio, and flocculant dosage. Experimental findings showed that the percentage of yield of recovered oil is to the tune of 86.13%. With the Central Composite Design approach, the maximum percentage of extracted oil is 85.95%, evaluated with 80 minutes of refining time, 50.17 C refining temperature, 7:1 solvent to waste oil ratio and flocculant dosage of 3 g/kg of solvent and 86.71% with 79.97 minutes refining time, 55.53 C refining temperature, 4.89:1 g/g solvent to waste oil ratio, 2.99 g/kg of flocculant concentration with Artificial Neural Network. A comparison shows that the ANN gives better results than the CCD approach. Physico-chemical properties of the recovered lube oil are comparable with the properties of fresh lubricating oil.
    Źródło:
    Chemical and Process Engineering; 2022, 43, 2; 119--135
    0208-6425
    2300-1925
    Pojawia się w:
    Chemical and Process Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The use of artificial intelligence methods for optimization of tractive properties on silty clay loam
    Metody sztucznej inteligencji w optymalizacji wybranych właściwości trakcyjnych na glebach gliniastych
    Autorzy:
    Pieczarka, K.
    Pentoś, K.
    Lejman, K.
    Owsiak, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/334663.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    traction force
    traction efficiency
    artificial neural network
    genetic algorithm
    siła trakcyjna
    sprawność trakcyjna
    sztuczne sieci neuronowe
    algorytm ewolucyjny
    Opis:
    The aim of this study was to develop valuable model of the interaction between low-power tractors wheel and deformed ground as well as to optimize tractor performance on silty clay loam. The relationships between traction force as well as traction efficiency and soil moisture, soil compaction, horizontal deformation, and vertical load were the subject of investigation. The research was carried out in the laboratory conditions. The two soft computing techniques of mathematical modeling were used: multilayer perceptron and radial basis function neural network. The more efficient model was obtained by multilayer perceptron. For the model with traction force as the output parameter the coefficient of determination was equal to 0,963 (MLP model) and 0,907 (RBF model). For the model with traction efficiency as the output parameter the coefficient of determination was equal to 0,986 and 0,944, respectively. Using the MLP model, the sensitivity analysis was conducted. The highest relative influence on traction force was observed for vertical load, in the case of traction efficiency, horizontal deformation is the most important parameter. For both dependent variables the lowest influence was calculated for soil compaction. The optimization of tractive properties requires generally high horizontal deformation, average soil moisture and high soil compaction. High vertical load is necessary for traction force maximization and relatively low for traction efficiency optimization.
    Celem pracy było wygenerowanie możliwie dokładnych modeli opisujących interakcję układu opona napędowa–gleba gliniasta dla mikrociągnika. Na podstawie wygenerowanych modeli przeprowadzono optymalizację pracy analizowanego układu. Badaniom podlegały zależności między siłą i sprawnością trakcyjną a wilgotnością i zwięzłością gleby, deformacją poziomą i obciążeniem pionowym. Badania przeprowadzono w warunkach laboratoryjnych. W zadaniu modelowania matematycznego wykorzystano dwie techniki sztucznej inteligencji: sieć neuronową typu perceptron wielowarstwowy (MLP) oraz sieć neuronową z radialnymi funkcjami bazowymi (RBF). Bardziej dokładny okazał się model oparty o sieć MLP. Współczynnik determinacji opisujący jakość modelu w przypadku siły trakcyjnej wynosił 0,963 (model MLP) i 0,907 (model RBF). W przypadku sprawności trakcyjnej współczynnik determinacji wyniósł odpowiednio 0,986 i 0,944. Wykorzystując modele oparte na sieci MLP przeprowadzono analizę wrażliwości modeli. Analiza ta wykazała, że największy wpływ na siłę trakcyjną ma obciążenie pionowe, a w przypadku sprawności trakcyjnej najbardziej znaczącym parametrem jest deformacja pozioma. Dla obu zmiennych zależnych, najmniej znaczącym parametrem jest zwięzłość gleby. Optymalizacja parametrów trakcyjnych wymaga generalnie dużej wartości deformacji poziomej, średniej wartości wilgotności i dużej zwięzłości gleby. Maksymalizacja siły trakcyjnej jest możliwa przy dużej wartości obciążenia pionowego, a optymalną wartość sprawności trakcyjnej można uzyskać przy niskiej wartości obciążenia pionowego.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 1; 63-68
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Teoria i metody algorytmu ewolucyjnego w uczeniu jednowarstwowej sieci neuronowej
    Implementation of the Evolutionary Algorithm Theory and Methods in the Learning Process of One-Layer ANN
    Autorzy:
    Płaczek, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/509173.pdf
    Data publikacji:
    2016
    Wydawca:
    Akademia Finansów i Biznesu Vistula
    Tematy:
    algorytmy genetyczne
    algorytmy ewolucyjne
    sztuczne sieci neuronowe
    algorytmy uczenia sieci
    algorytmy selekcji
    algorytmy krzyżowania
    algorytmy mutacji
    genetic algorithm
    evolutionary algorithm
    artificial neural network
    learning algorithm
    selection algorithm
    crossover algorithm
    mutation algorithm
    Opis:
    Rozwój teorii sztucznych sieci neuronowych, a także pojawienie się nowych, efektywnych narzędzi programistycznych (systemy wieloprocesorowe, programowanie wielowątkowe) umożliwia zastosowanie algorytmów genetycznych oraz ewolucyjnych do uczenia sztucznych sieci neuronowych (SSN). W literaturze dotyczącej zasad działania SSN podkreśla się ich atrakcyjne własności, takie jak: aproksymacja dowolnych nieliniowych odwzorowań, równolegle i rozproszone przetwarzanie, adaptacja i uczenie. Szczególnie równoległe i rozproszone przetwarzanie koresponduje ze strukturą algorytmu genetycznego i ewolucyjnego. Klasyczne algorytmy genetyczne operują na ciągach binarnych o stałej długości. Natomiast algorytmy ewolucyjne można interpretować jako uogólnienie algorytmów genetycznych. W algorytmach tych stosuje się zasady ewolucji i dziedziczenia oraz wykorzystuje się właściwą strukturę danych do reprezentacji chromosomów (liczby rzeczywiste, macierze, grafy). Definiuje się również inne operatory krzyżowania i mutacji. Tak więc struktura algorytmu ewolucyjnego jest prawie taka sama jak genetycznego. Różnice ukryte są na niższych poziomach przetwarzania – w strukturach danych. W artykule przedstawiono próbę implementacji algorytmu ewolucyjnego do uczenia jednowarstwowej sieci neuronowej. Sieć opisuje się w postaci macierzy połączeń między wektorami – wejściowym X oraz wyjściowym Y. Funkcja uczenia SSN zdefiniowana jest jako nieliniowa funkcja wag sieci oraz nieliniowej funkcji aktywacji minimalizującej błąd średniokwadratowy między wektorem wyjściowym Y a wektorem uczącym Z, dla całej paczki uczącej. Pojawienie się nieliniowości utrudnia zastosowanie algorytmu uczenia opartego na wstecznej propagacji błędu. Funkcja celu, oprócz minimum globalnego, może zawierać wiele minimów lokalnych, w których algorytm oparty na badaniu gradientu funkcji celu może się zatrzymać. Oczywiście stosuje się różne techniki i metody umożliwiające wyjście algorytmu z tego typu pułapek. Tym niemniej dla sprawdzenia poprawności otrzymanych wyników uruchamia się proces uczenia SSN dla różnych danych początkowych. W zaproponowanym algorytmie ewolucyjnym tworzy się zbiór osobników. Każdy z osobników przedstawia możliwe rozwiązanie zadania minimalizacji funkcji celu i jest reprezentowany przez macierzową strukturę danych. Każde rozwiązanie cząstkowe ocenia się na podstawie dopasowania funkcji celu, a następnie tworzy się nową populację (potomków) przez selekcję osobników o najlepszych dopasowaniach oraz dwa algorytmy krzyżowania i mutacji. W artykule omówiono zaproponowaną strukturę osobników, przyjęte algorytmy selekcji z ich wadami i zaletami oraz różne algorytmu krzyżowania i mutacji. Na wstępie zdefiniowano takie podstawowe pojęcia, jak gen, chromosom oraz najogólniejszą strukturę algorytmu ewolucyjnego. Artykuł ma charakter koncepcyjny.
    The article proposes implementation of a modified version of genetic algorithms in neural networks, what in literature is known as “evolutionary algorithm” or “evolutionary programming”. An evolutionary algorithm is a probabilistic algorithm that works in a set of weight variability of neurons and seeks the optimal value solution within a population of individuals, avoiding the local maximum. For chromosomes, the real value variables and matrix structure are proposed. In the article, this decision is widely elaborated and discussed. In the original versions of genetic algorithms, all variables’ values are transformed into binary versions. The chromosomes bit sequences could include thousands of positions. It does not simplify the crossover and mutation operations. Processes could be very time-consuming and the algorithm convergence could also be slow. For a single-layer neural network matrix data structure is used. A particular emphasis is put on mutation and crossover algorithms. What is also important in both genetic and evolutionary algorithms is the selection process. The primary population, known as the parent population, is employed to build a new set of individuals using the selection process. These individuals are known as the children population. The selection algorithm should converge on the two very important issues: population diversity and selective pressure. Selective pressure can manifest in the overrepresentation of the best individuals in the new population. The area, in which the optimal solution is sought, is reduced too fast. Premature convergence is not desirable due to the high probability of achieving the local maximum. Reducing the selective pressure may result in increasing the time it takes to search for the solution.
    Źródło:
    Zeszyty Naukowe Uczelni Vistula; 2016, 49(4) Informatyka; 23-39
    2353-2688
    Pojawia się w:
    Zeszyty Naukowe Uczelni Vistula
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-9 z 9

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies