Most real world problems require the simultaneous optimization of multiple, competing, criteria (or objectives). In this case, the aim of a multiobjective resolution approach is to find a number of solutions known as Paretooptimal solutions. Evolutionary algorithms manipulate a population of solutions and thus are suitable to solve multi-objective optimization problems. In addition parallel evolutionary algorithms aim at reducing the computation time and solving large combinatorial optimization problems. In this work we study the performance of the Balanced Explore Exploit Distributed Evolutionary Algorithm (BEEDEA) [1] on the multi-objective Knapsack problem which is a combinatorial optimization problem. BEEDA is implemented after some improvements and tested on the Knapsack problem. Key words: multi-objective optimization, evolutionary algorithms, Knapsack problem, distributed metaheuristics.
Il n'y a pas encore de discussion sur ce livre
Soyez le premier à en lancer une !
Taïna, indienne des Caraïbes, a été instruite dès son enfance pour devenir chamane, mais Christophe Colomb et les Espagnols arrivent...
Une belle adaptation, réalisée par un duo espagnol, d'un des romans fondateurs de la science-fiction, accessible dès 12 ans.
Merci à toutes et à tous pour cette aventure collective
Lara entame un stage en psychiatrie d’addictologie, en vue d’ouvrir ensuite une structure d’accueil pour jeunes en situation d’addiction au numérique...
