Szczegóły publikacji
Opis bibliograficzny
Socio-cognitive caste-based optimization / Aleksandra URBAŃCZYK, Piotr Kipiński, Mateusz Nabywaniec, Leszek RUTKOWSKI, Siang Yew Chong, Xin Yao, Krzysztof BORYCZKO, Aleksander BYRSKI // Journal of Computational Science ; ISSN 1877-7503. — 2023 — vol. 72 art. no. 102098, s. 1–15. — Bibliogr. s. 13–14, Abstr. — Publikacja dostępna online od: 2023-07-04
Autorzy (8)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 147797 |
|---|---|
| Data dodania do BaDAP | 2023-08-01 |
| Tekst źródłowy | URL |
| DOI | 10.1016/j.jocs.2023.102098 |
| Rok publikacji | 2023 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Journal of Computational Science |
Abstract
Metaheuristics are universal optimization algorithms that are used to solve difficult problems, which are unsolvable by classic approaches. In this paper, we aim to construct a novel class of socio-cognitive metaheuristics based on the caste metaphor. We focus on classic evolutionary and agent-based metaheuristics, adding a sociologically inspired structure of the population and cognitively inspired variation operators. In addition to giving the background and details of the proposed algorithms, we apply them to the optimization of a variety of difficult benchmark problems.
