Littérature scientifique sur le sujet « PSO (PRATICLE SWARM OPTIMIZATION) »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Sommaire
Consultez les listes thématiques d’articles de revues, de livres, de thèses, de rapports de conférences et d’autres sources académiques sur le sujet « PSO (PRATICLE SWARM OPTIMIZATION) ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Articles de revues sur le sujet "PSO (PRATICLE SWARM OPTIMIZATION)"
Aziz, Nor Azlina Ab, Zuwairie Ibrahim, Marizan Mubin, Sophan Wahyudi Nawawi et Nor Hidayati Abdul Aziz. « Transitional Particle Swarm Optimization ». International Journal of Electrical and Computer Engineering (IJECE) 7, no 3 (1 juin 2017) : 1611. http://dx.doi.org/10.11591/ijece.v7i3.pp1611-1619.
Texte intégralGolubovic, Ruzica, et Dragan Olcan. « Antenna optimization using Particle Swarm Optimization algorithm ». Journal of Automatic Control 16, no 1 (2006) : 21–24. http://dx.doi.org/10.2298/jac0601021g.
Texte intégralJiang, Chang Yuan, Shu Guang Zhao, Li Zheng Guo et Chuan Ji. « An Improved Particle Swarm Optimization Algorithm ». Applied Mechanics and Materials 195-196 (août 2012) : 1060–65. http://dx.doi.org/10.4028/www.scientific.net/amm.195-196.1060.
Texte intégralShen, Yuanxia, Linna Wei, Chuanhua Zeng et Jian Chen. « Particle Swarm Optimization with Double Learning Patterns ». Computational Intelligence and Neuroscience 2016 (2016) : 1–19. http://dx.doi.org/10.1155/2016/6510303.
Texte intégralXu, Yu Fa, Jie Gao, Guo Chu Chen et Jin Shou Yu. « Quantum Particle Swarm Optimization Algorithm ». Applied Mechanics and Materials 63-64 (juin 2011) : 106–10. http://dx.doi.org/10.4028/www.scientific.net/amm.63-64.106.
Texte intégralMoraglio, Alberto, Cecilia Di Chio, Julian Togelius et Riccardo Poli. « Geometric Particle Swarm Optimization ». Journal of Artificial Evolution and Applications 2008 (21 février 2008) : 1–14. http://dx.doi.org/10.1155/2008/143624.
Texte intégralZhang, Guan Yu, Xiao Ming Wang, Rui Guo et Guo Qiang Wang. « An Improved Particle Swarm Optimization Algorithm ». Applied Mechanics and Materials 394 (septembre 2013) : 505–8. http://dx.doi.org/10.4028/www.scientific.net/amm.394.505.
Texte intégralHudaib, Amjad A., et Ahmad Kamel AL Hwaitat. « Movement Particle Swarm Optimization Algorithm ». Modern Applied Science 12, no 1 (31 décembre 2017) : 148. http://dx.doi.org/10.5539/mas.v12n1p148.
Texte intégralGonsalves, Tad, et Akira Egashira. « Parallel Swarms Oriented Particle Swarm Optimization ». Applied Computational Intelligence and Soft Computing 2013 (2013) : 1–7. http://dx.doi.org/10.1155/2013/756719.
Texte intégralMa, Zi Rui. « Particle Swarm Optimization Based on Multiobjective Optimization ». Applied Mechanics and Materials 263-266 (décembre 2012) : 2146–49. http://dx.doi.org/10.4028/www.scientific.net/amm.263-266.2146.
Texte intégralThèses sur le sujet "PSO (PRATICLE SWARM OPTIMIZATION)"
SINGH, BHUPINDER. « A HYBRID MSVM COVID-19 IMAGE CLASSIFICATION ENHANCED USING PARTICLE SWARM OPTIMIZATION ». Thesis, DELHI TECHNOLOGICAL UNIVERSITY, 2021. http://dspace.dtu.ac.in:8080/jspui/handle/repository/18864.
Texte intégralUrade, Hemlata S., et Rahila Patel. « Performance Evaluation of Dynamic Particle Swarm Optimization ». IJCSN, 2012. http://hdl.handle.net/10150/283597.
Texte intégralIn this paper the concept of dynamic particle swarm optimization is introduced. The dynamic PSO is different from the existing PSO’s and some local version of PSO in terms of swarm size and topology. Experiment conducted for benchmark functions of single objective optimization problem, which shows the better performance rather the basic PSO. The paper also contains the comparative analysis for Simple PSO and Dynamic PSO which shows the better result for dynamic PSO rather than simple PSO.
Cleghorn, Christopher Wesley. « A Generalized theoretical deterministic particle swarm model ». Diss., University of Pretoria, 2013. http://hdl.handle.net/2263/33333.
Texte intégralDissertation (MSc)--University of Pretoria, 2013.
gm2014
Computer Science
Unrestricted
Amiri, Mohammad Reza Shams, et Sarmad Rohani. « Automated Camera Placement using Hybrid Particle Swarm Optimization ». Thesis, Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik, 2014. http://urn.kb.se/resolve?urn=urn:nbn:se:bth-3326.
Texte intégralSarmad Rohani: 004670606805 Reza Shams: 0046704030897
Brits, Riaan. « Niching strategies for particle swarm optimization ». Diss., Pretoria : [s.n.], 2002. http://upetd.up.ac.za/thesis/available/etd-02192004-143003.
Texte intégralCleghorn, Christopher Wesley. « Particle swarm optimization : empirical and theoretical stability analysis ». Thesis, University of Pretoria, 2017. http://hdl.handle.net/2263/61265.
Texte intégralThesis (PhD)--University of Pretoria, 2017.
Computer Science
PhD
Unrestricted
Veselý, Filip. « Aplikace optimalizační metody PSO v podnikatelství ». Master's thesis, Vysoké učení technické v Brně. Fakulta podnikatelská, 2010. http://www.nusl.cz/ntk/nusl-222445.
Texte intégralFranz, Wayne. « Multi-population PSO-GA hybrid techniques : integration, topologies, and parallel composition ». Springer, 2013. http://hdl.handle.net/1993/23842.
Texte intégralLai, Chun-Hau. « Diseño e implementación de algoritmos aproximados de clustering balanceado en PSO ». Tesis, Universidad de Chile, 2012. http://www.repositorio.uchile.cl/handle/2250/111954.
Texte intégralEste trabajo de tesis está dedicado al diseño e implementación de algoritmos aproximados que permiten explorar las mejores soluciones para el problema de Clustering Balanceado, el cual consiste en dividir un conjunto de n puntos en k clusters tal que cada cluster tenga como m ́ınimo ⌊ n ⌋ puntos, k y éstos deben estar lo más cercano posible al centroide de cada cluster. Estudiamos los algoritmos existentes para este problema y nuestro análisis muestra que éstos podrían fallar en entregar un resultado óptimo por la ausencia de la evaluación de los resultados en cada iteración del algoritmo. Entonces, recurrimos al concepto de Particles Swarms, que fue introducido inicialmente para simular el comportamiento social humano y que permite explorar todas las posibles soluciones de manera que se aproximen a la óptima rápidamente. Proponemos cuatro algoritmos basado en Particle Swarm Optimization (PSO): PSO-Hu ́ngaro, PSO-Gale-Shapley, PSO-Aborci ́on-Punto-Cercano y PSO-Convex-Hull, que aprovechan la característica de la generación aleatoria de los centroides por el algoritmo PSO, para asignar los puntos a estos centroides, logrando una solución más aproximada a la óptima. Evaluamos estos cuatro algoritmos con conjuntos de datos distribuidos en forma uniforme y no uniforme. Se encontró que para los conjuntos de datos distribuidos no uniformemente, es impredecible determinar cuál de los cuatro algoritmos propuestos llegaría a tener un mejor resultado de acuerdo al conjunto de métricas (intra-cluster-distancia, índice Davies-Doublin e índice Dunn). Por eso, nos concentramos con profundidad en el comportamiento de ellos para los conjuntos de datos distribuidos en forma uniforme. Durante el proceso de evaluación se descubrió que la formación de los clusters balanceados de los algoritmos PSO-Absorcion-Puntos-Importantes y PSO-Convex-Hull depende fuertemente del orden con que los centroides comienzan a absorber los puntos más cercanos. En cambio, los algoritmos PSO-Hungaro y PSO-Gale-Shapley solamente dependen de los centroides generados y no del orden de los clusters a crear. Se pudo concluir que el algoritmo PSO-Gale-Shapley presenta el rendimiento menos bueno para la creación de clusters balanceados, mientras que el algoritmo PSO-Hungaro presenta el rendimiento más eficiente para lograr el resultado esperado. Éste último está limitado al tamaño de los datos y la forma de distribución. Se descubrió finalmente que, para los conjuntos de datos de tamaños grandes, independiente de la forma de distribución, el algoritmo PSO-Convex-Hull supera a los demás, entregando mejor resultado según las métricas usadas.
Oldewage, Elre Talea. « The perils of particle swarm optimization in high dimensional problem spaces ». Diss., University of Pretoria, 2005. http://hdl.handle.net/2263/66233.
Texte intégralDissertation (MSc)--University of Pretoria, 2017.
Computer Science
MSc
Unrestricted
Livres sur le sujet "PSO (PRATICLE SWARM OPTIMIZATION)"
López, Javier. Optimización multi-objetivo. Editorial de la Universidad Nacional de La Plata (EDULP), 2015. http://dx.doi.org/10.35537/10915/45214.
Texte intégralChapitres de livres sur le sujet "PSO (PRATICLE SWARM OPTIMIZATION)"
Wang, Feng-Sheng, et Li-Hsunan Chen. « Particle Swarm Optimization (PSO) ». Dans Encyclopedia of Systems Biology, 1649–50. New York, NY : Springer New York, 2013. http://dx.doi.org/10.1007/978-1-4419-9863-7_416.
Texte intégralBadar, Altaf Q. H. « Different Applications of PSO ». Dans Applying Particle Swarm Optimization, 191–208. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-70281-6_11.
Texte intégralCuevas, Erik, et Alma Rodríguez. « Particle Swarm Optimization (PSO) Algorithm ». Dans Metaheuristic Computation with MATLAB®, 159–81. First edition. | Boca Raton : CRC Press, 2020. : Chapman and Hall/CRC, 2020. http://dx.doi.org/10.1201/9781003006312-6.
Texte intégralCouceiro, Micael, et Pedram Ghamisi. « Fractional-Order Darwinian PSO ». Dans Fractional Order Darwinian Particle Swarm Optimization, 11–20. Cham : Springer International Publishing, 2015. http://dx.doi.org/10.1007/978-3-319-19635-0_2.
Texte intégralEhteram, Mohammad, Akram Seifi et Fatemeh Barzegari Banadkooki. « Structure of Particle Swarm Optimization (PSO) ». Dans Application of Machine Learning Models in Agricultural and Meteorological Sciences, 23–32. Singapore : Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-19-9733-4_2.
Texte intégralKao, Yucheng, Ming-Hsien Chen et Kai-Ming Hsieh. « Combining PSO and FCM for Dynamic Fuzzy Clustering Problems ». Dans Swarm Intelligence Based Optimization, 1–8. Cham : Springer International Publishing, 2014. http://dx.doi.org/10.1007/978-3-319-12970-9_1.
Texte intégralFernández-Brillet, Lucas, Oscar Álvarez et Juan Luis Fernández-Martínez. « The PSO Family : Application to the Portfolio Optimization Problem ». Dans Applying Particle Swarm Optimization, 111–32. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-70281-6_7.
Texte intégralYarat, Serhat, Sibel Senan et Zeynep Orman. « A Comparative Study on PSO with Other Metaheuristic Methods ». Dans Applying Particle Swarm Optimization, 49–72. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-70281-6_4.
Texte intégralDeroussi, Laurent. « A Hybrid PSO Applied to the Flexible Job Shop with Transport ». Dans Swarm Intelligence Based Optimization, 115–22. Cham : Springer International Publishing, 2014. http://dx.doi.org/10.1007/978-3-319-12970-9_13.
Texte intégralGkaidatzis, Paschalis A., Aggelos S. Bouhouras et Dimitris P. Labridis. « Application of PSO in Distribution Power Systems : Operation and Planning Optimization ». Dans Applying Particle Swarm Optimization, 321–51. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-70281-6_17.
Texte intégralActes de conférences sur le sujet "PSO (PRATICLE SWARM OPTIMIZATION)"
Hu, Jhen-Jai, Yu-Te Su et Tzuu-Hseng S. Li. « A novel ecological-biological-behavior praticle swarm optimization for Ackley's function ». Dans 2010 International Symposium on Computer, Communication, Control and Automation (3CA). IEEE, 2010. http://dx.doi.org/10.1109/3ca.2010.5533436.
Texte intégralDas, M. Taylan, L. Canan Dulger et G. Sena Das. « Robotic applications with Particle Swarm Optimization (PSO) ». Dans 2013 International Conference on Control, Decision and Information Technologies (CoDIT). IEEE, 2013. http://dx.doi.org/10.1109/codit.2013.6689537.
Texte intégralSchutze, Oliver, El-ghazali Talbi, Gregorio Toscano Pulido, Carlos Coello Coello et Luis Vicente Santana-Quintero. « A Memetic PSO Algorithm for Scalar Optimization Problems ». Dans 2007 IEEE Swarm Intelligence Symposium. IEEE, 2007. http://dx.doi.org/10.1109/sis.2007.368036.
Texte intégralVatankhah, Ramin, Shahram Etemadi, Mohammad Honarvar, Aria Alasty, Mehrdad Boroushaki et Gholamreza Vossoughi. « Online velocity optimization of robotic swarm flocking using particle swarm optimization (PSO) method ». Dans 2009 6th International Symposium on Mechatronics and its Applications (ISMA). IEEE, 2009. http://dx.doi.org/10.1109/isma.2009.5164776.
Texte intégralPappala, V. S., et I. Erlich. « Power system optimization under uncertainties : A PSO approach ». Dans 2008 IEEE Swarm Intelligence Symposium (SIS). IEEE, 2008. http://dx.doi.org/10.1109/sis.2008.4668276.
Texte intégralGies, D., et Y. Rahmat-Samii. « Particle swarm optimization (PSO) for reflector antenna shaping ». Dans IEEE Antennas and Propagation Society Symposium, 2004. IEEE, 2004. http://dx.doi.org/10.1109/aps.2004.1331828.
Texte intégralKohler, Manoela, Leonardo Forero, Marley Vellasco, Ricardo Tanscheit et Marco Aurelio Pacheco. « PSO+ : A nonlinear constraints-handling particle swarm optimization ». Dans 2016 IEEE Congress on Evolutionary Computation (CEC). IEEE, 2016. http://dx.doi.org/10.1109/cec.2016.7744102.
Texte intégralAhmadie, Beryl Labique, Wanda Athira Luqyana, Wayan Firdaus Mahmudy et Rio Arifando. « Milkfish Feed Optimization Using Adaptive Particle Swarm Optimization (PSO) Algorithm ». Dans 2019 International Conference on Sustainable Information Engineering and Technology (SIET). IEEE, 2019. http://dx.doi.org/10.1109/siet48054.2019.8986094.
Texte intégralDaneshyari, Moayed, et Gary G. Yen. « Solving constrained optimization using multiple swarm cultural PSO with inter-swarm communication ». Dans 2010 IEEE Congress on Evolutionary Computation (CEC). IEEE, 2010. http://dx.doi.org/10.1109/cec.2010.5586103.
Texte intégralWu, Di, et G. Gary Wang. « Enhanced Particle Swarm Optimization via Reinforcement Learning ». Dans ASME 2020 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. American Society of Mechanical Engineers, 2020. http://dx.doi.org/10.1115/detc2020-22519.
Texte intégralRapports d'organisations sur le sujet "PSO (PRATICLE SWARM OPTIMIZATION)"
Styling Parameter Optimization of the Type C Recreational Vehicle Air Drag. SAE International, septembre 2021. http://dx.doi.org/10.4271/2021-01-5094.
Texte intégral