Metody zwiększania dostępności i efektywności informatycznej infrastruktury w inteligentnym mieście - Publikacja - MOST Wiedzy

Wyszukiwarka

Metody zwiększania dostępności i efektywności informatycznej infrastruktury w inteligentnym mieście

Abstrakt

W pracy omówiono metody zwiększania dostępności i efektywności informatycznej infrastruktury w inteligentnym mieście. Sformułowano dwa kryteria do oceny rozmieszczenia kluczowych zasobów w systemie smart city. Zobrazowano proces wyznaczania rozwiązań kompromisowych spośród rozwiązań Pareto-optymalnych. Omówiono metaheurystyki inteligencji zbiorowej, w tym roju cząstek, kolonii mrówek, roju pszczół oraz ewolucji różnicowej, za pomocą których można wyznaczać kompromisową infrastrukturę smart city. Wsakzano także na inne zastosowania metaheurystyk w smart city.

Cytuj jako

Pełna treść

pobierz publikację
pobrano 111 razy
Wersja publikacji
Accepted albo Published Version
Licencja
Creative Commons: CC-BY otwiera się w nowej karcie

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Publikacja w czasopiśmie
Typ:
artykuły w czasopismach recenzowanych i innych wydawnictwach ciągłych
Opublikowano w:
Współczesna Gospodarka wydanie 3, strony 1 - 12,
ISSN: 2082-677X
Język:
polski
Rok wydania:
2017
Opis bibliograficzny:
Balicki J., Dryja P., Korłub W., Tyszka M.: Metody zwiększania dostępności i efektywności informatycznej infrastruktury w inteligentnym mieście// Współczesna Gospodarka. -., iss. 3 (2017), s.1-12
Bibliografia: test
  1. A. T. Bubal, L. S. Lee, Differential Evolution for Urban Transit Routing Problem, Journal of Computer and Communications, 2016, 4, 11-25, s. 12. otwiera się w nowej karcie
  2. J. Kennedy, R. Eberhart, Particle Swarm Optimization, Proceedings of IEEE International Conference on Neural Networks IV, 1995, p. 1942. otwiera się w nowej karcie
  3. S. Nikam and P. Mane, Swarm Intelligent WSN for Smart City, Proceedings of the International Conference on Data Engineering and Communication Technology, 2016, p. 691. otwiera się w nowej karcie
  4. D. Karaboga, An Idea Based On Honey Bee Swarm for Numerical Optimization, Technical Report-TR06, Erciyes University, Engineering Faculty, Computer Engineering Department, 2005, p. 223. Rysunek 4. Pojazdy PTR na lotnisku Heathrow Źródło: http://www.ultraglobalprt.com (11.08.2017)
  5. Algorytm kolonii mrówek Dorigo 17 zaprezentował algorytm Ant Colony Optimization (ACO) w 1992 do wyznacza- nia optymalniej ścieżki w grafie. Algorytm stanowi podstawę dla istotnej liczby rozszerzeń ta- kich jak Ranked-based ant system czy Recursive ant colony optimization. Prace nad ACO zainspirowane były obserwacją zachowań kolonii mrówek. Z biologicznego punktu widzenia zachowanie mrówek świadczy o tym, że przetrwanie kolonii jest celem nadrzędnym w odnie- sieniu do przetrwania pojedynczej jednostki. Inspirację stanowił proces poszukiwania pokarmu przez mrówki. W początkowej fazie poszukiwań mrówki poruszają się w sposób losowy wokół gniazda. Każda z mrówek pozostawia za sobą ślad feromonów w czasie poszukiwania otwiera się w nowej karcie
  6. Q. Pan, M. Fatih Tasgetiren, P. Suganthan and T. Chua, A discrete artificial bee colony algorithm for the lot- streaming flow shop scheduling problem, Elsevier, Information Sciences, vol. 181, no. 12, 2011, p. 2455. otwiera się w nowej karcie
  7. S.N. Omkar, J. Senthilnath, R. Khandelwal, G. Narayana Naik, S. Gopalakrishnan, Artificial Bee Colony (ABC) for multi-objective design optimization of composite structures, Elsevier, Applied Soft Computing, Netherlands, 2010, p. 12. otwiera się w nowej karcie
  8. E. Fatnassi, O. Chebbi, J. Siala, Bee colony algorithm for the routing of guided automated battery-operated elec- tric vehicles in personal rapid transit systems, 2014 IEEE Congress on Evolutionary Computation (CEC), 2014 otwiera się w nowej karcie
  9. M. Dorigo, L.M. Gambardella, Ant colony system: A cooperative learning approach to the traveling salesman problem, IEEE Transactions On Evolutionary Computation, Vol. 1, No. 1, 1997, pp. 53-66. otwiera się w nowej karcie
  10. Balicki J., Dryja P., Korłub W., Przybyłek P., Tyszka M., Zadroga M., Zakidalski M., Metody neuronowe do prognozowania finansowego, "Współczesna Gospodarka" 2016, nr 2 otwiera się w nowej karcie
  11. Balicki J., Korłub W., Uczenie maszynowe do samoorganizacji systemów rozproszonych w zastosowaniach gospodarczych, "Współczesna Gospodarka" 2017, nr 1
  12. Balicki J., Przybyłek P., Zadroga M., Zakidalski M., Sztuczne sieci neuronowe oraz metoda wektorów wspierających w bankowych systemach informatycznych, "Współczesna Gospodarka" 2013, nr 4
  13. Balicki J.: Wybrane paradygmaty sztucznej inteligencji w informatycznych systemach fi- nansowych, "Współczesna Gospodarka" 2015, nr 4
  14. Bello O., Zeadally S., Intelligent Device-to-Device Communication in the Internet of Things, IEEE Systems Journal, vol. 10, no. 3, 2016, pp. 1172-1182 otwiera się w nowej karcie
  15. Bubal A. T., Lee L. S., Differential Evolution for Urban Transit Routing Problem, Journal of Computer and Communications, 2016, no. 4, pp. 12 -14. otwiera się w nowej karcie
  16. Dorigo M, Gambardella LM., Ant colony system: A cooperative learning approach to the traveling salesman problem. IEEE Trans Evolutionary Comput 1997, pp. 53-66. otwiera się w nowej karcie
  17. Fatnassi E., Chebbi, J. Siala, Bee colony algorithm for the routing of guided automated battery-operated electric vehicles in personal rapid transit systems, 2014 IEEE Congress on Evolutionary Computation (CEC), 2014 otwiera się w nowej karcie
  18. Huibin J., Mingguang L., An Improved Differential Evolution Alogorithm for Optimiza- tion. IITA International Conference on Control, Automation and Systems Engineering 2009, pp. 659-662 otwiera się w nowej karcie
  19. Kanter R., Litow S., Informed and interconnected: A manifesto for smarter cities. Harvard Business School, General Management Unit, Working Paper, 2009
  20. Karaboga D.: An Idea Based On Honey Bee Swarm for Numerical Optimization, Tech- nical Report-TR06,Erciyes University, Engineering Faculty, Computer Engineering De- partment, 2005 otwiera się w nowej karcie
  21. Kennedy, J.; Eberhart, R.: Particle Swarm Optimization, Proceedings of IEEE Interna- tional Conference on Neural Networks, 1995, pp. 1942-1948 otwiera się w nowej karcie
  22. Nikam S., Mane P.: Swarm Intelligent WSN for Smart City, Proceedings of the Interna- tional Conference on Data Engineering and Communication Technology, 2016, pp. 691- 700 otwiera się w nowej karcie
  23. Omkar S.N., Senthilnath J., Khandelwal R., Naik G. N., Gopalakrishnan S.: Artificial Bee Colony (ABC) for multi-objective design optimization of composite structures, Elsevier, Applied Soft Computing, Netherlands, 2010 otwiera się w nowej karcie
  24. Pan Q., Tasgetiren M. F., Suganthan P., Chua T.: A discrete artificial bee colony algo- rithm for the lot-streaming flow shop scheduling problem, Elsevier, Information Sciences, vol. 181, no. 12, 2011, pp. 2455-2468 otwiera się w nowej karcie
  25. Winiarski J., Ryzyko w działalności gospodarczej przedsiębiorstw. Wydawnictwo Uni- wersytet Gdański Instytut Transportu i Handlu Morskiego, Gdańsk 2014
Weryfikacja:
Politechnika Gdańska

wyświetlono 179 razy

Publikacje, które mogą cię zainteresować

Meta Tagi