Słowa kluczowe

Informacje szczegółowe

Kategoria:

Publikacja monograficzna

Typ:

rozdział, artykuł w książce - dziele zbiorowym /podręczniku w języku o zasięgu międzynarodowym

Tytuł wydania:

Advanced Solutions in Diagnostics and Fault Tolerant Control strony 203 - 214

ISSN:

2194-5357

Język:

angielski

Rok wydania:

2018

Opis bibliograficzny:

Kowalczuk Z., Białaszewski T.: Approximate Quality Criteria for Difficult Multi-Objective Optimization Problems// Advanced Solutions in Diagnostics and Fault Tolerant Control/ ed. J. Kacprzyk Cham (Switzerland): , 2018, s.203-214

DOI:

Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-319-64474-5_17

Bibliografia: test

1. Bader, J., Zitzler, E.: A Hypervolume-Based Optimizer for High-Dimensional Ob- jective Spaces. Conference on Multiple Objective and Goal Programming (MOPGP 2008), Lecture Notes in Economics and Mathematical Systems, Springer (2009) otwiera się w nowej karcie
2. Bia laszewski, T., Kowalczuk, Z.: Solving highly-dimensional multi-objective opti- mization problems by means of genetic gender. Advanced and Intelligent Compu- tations in Diagnosis and Control. Advances in Intelligent Systems and Computing, pp. 317-329, Springer-Verlag, ChamNew YorkLondon, AISC 386, (2016) otwiera się w nowej karcie
3. Coello, C.C.A., Lamont, G.B., Van Veldhuizen, D.A.: Evolutionary algorithms for solving multi-objective problems. Genetic and Evolutionary Computation, (2nd edi- tion), Springer, Berlin (2007)
4. Cotta, C., Schaefer, R.: Special Issue on Evolutionary Computation. International Journal otwiera się w nowej karcie
5. Deb, K.: Current Trends in Evolutionary Multi-objective Optimization. Interna- tional Journal for Simulation and Multidisciplinary Optimisation, 1(1), pp. 18, (2007) otwiera się w nowej karcie
6. Deb, K., Gupta, H.: Introducing robustness in multi-objective optimization. Evolu- tionary Computation Journal, 14(4), pp. 463494, (2006) otwiera się w nowej karcie
7. Deb, K., Mohan, M., Mishra, S.: Evaluating the domination-based multiobjective evolutionary algorithm for a quick computation of Pareto-optimal solutions. Evolu- tionary Computation Journal, 13(4), pp. 501525, (2005) otwiera się w nowej karcie
8. Emmerich, M., Beume, N., Naujoks, B.: An EMO algorithm using the hypervolume measure as selection criterion. Evolutionary Multi-Criterion Optimization, Lecture Notes in Computer Science, 3410, pp 62-76, Springer Berlin Heidelberg,(2005) otwiera się w nowej karcie
9. Fonseca, C.M., Fleming, P.J.: An overview of evolutionary algorithms in multiob- jective optimization. IEEE Trans. Evolutionary Computation, 3(1), pp. 1-16, (1995) otwiera się w nowej karcie
10. Goldberg, D.E.: Genetic Algorithms in Search, Optimization and Machine Learn- ing. Addison-Wesley, Reading, MA, (1989)
11. Hajela, P., Lin, C.Y.: Genetic search strategies in multicriterion optimal design. Structural Optimization, 4, pp. 99-107, (1992) otwiera się w nowej karcie
12. Holland, H.: Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, MI, (1975)
13. Horn, J., Nafpliotis, N.: Multiobjective optimization using the niched Pareto ge- netic algorithm. Technical Report, (93005). Illinois Genetic Algorithms Laboratory, University of Illinois at Urbana, Champaign, (1993)
14. Horn, J., Nafpliotis, N., Goldberg, D.E.: A niched Pareto genetic algorithm for multiobjective optimization. IEEE World Congress on Computational Computation, 1, pp. 82-87, Piscataway, NJ, (1994) otwiera się w nowej karcie
15. Korbicz, J., Kocielny, J.M., Kowalczuk, Z., Cholewa, W. (Eds.): Fault Diagnosis, Models, Artificial Intelligence, Applications. Springer-Verlag, Berlin, (2004)
16. Kowalczuk, Z., Bia laszewski, T.: Improving evolutionary multi-objective optimi- sation by niching. International Journal of Information Technology and Intelligent Computing, 1(2), pp. 245-257, (2006) otwiera się w nowej karcie
17. Kowalczuk, Z., Bia laszewski, T.: Improving evolutionary multi-objective optimi- sation using genders. Artificial Intelligence and Soft Computing, Lecture Notes in Artificial Intelligence, 4029, pp. 390-399. SpringerVerlag, Berlin, (2006) otwiera się w nowej karcie
18. Kowalczuk, Z., Bia laszewski, T.: Designing FDI observers by improved evolution- ary multi-objective optimization. Proc. 6th IFAC Symposium on Fault Detection, Supervision and Safety for Tech. Processes, pp. 601-606, Beijing, China, (2006) otwiera się w nowej karcie
19. Kowalczuk, Z. and Bia laszewski, T.: Niching mechanisms in evolutionary computa- tions. Int. Journal of Applied Mathematics and Computer Science, 16(1), pp. 59-84, (2006)
20. Kowalczuk, Z., Bia laszewski, T.: Gender selection of a criteria structure in multi- objective optimization of decision systems (in Polish). Pomiary Automatyka Kon- trola, 57(7), pp. 810-814, (2011) otwiera się w nowej karcie
21. Kowalczuk, Z., Bia laszewski, T.: Gender approach to multi-objective optimiza- tion of detection systems by pre-selection of criteria. Intelligent Systems in Tech- nical and Medical Diagnosis. Advances in Intelligent Systems and Computing. Springer-Verlag, AISC 230, pp. 161-174, Berlin Heidelberg (2013). doi:10.1007/ 978-3-642-39881-0 13 otwiera się w nowej karcie
22. Kowalczuk, Z., Bia laszewski, T.: Solving highly-dimensional multi-objective opti- mization problems by means of genetic gender. Advanced and Intelligent Compu- tations in Diagnosis and Control, Advances in Intelligent Systems and Computing.
23. Springer IP Switzerland, AISC 386, pp. 317 -329, Cham Heidelberg New York Dordrecht London (2016). doi:10.1007/978-3-319-23180-8 23 otwiera się w nowej karcie
24. Kowalczuk, Z. and Bia laszewski, T.: Gender approaches to evolutionary multi- objective optimization using pre-selection of criteria. Engineering Optimization, Taylor and Francis (2017). doi.org/10.1080/0305215X.2017.1305374 otwiera się w nowej karcie
25. Kukkonen, S., Lampinen, J.: GDE3: The third evolution step of generalized dif- ferential evolution. IEEE Congress on Evolutionary Computation, vol. 1, 443-450, (2005) otwiera się w nowej karcie
26. Lis, J., Eiben, A.: A multi-sexual genetic algorithm for multiobjective optimization. Proceedings of the IEEE International Conference on Evolutionary Computation, pp. 59-64, (1997) otwiera się w nowej karcie
27. Liu, B., Fernndez, F.V., Zhang, Q., Pak, M., Sipahi, S., Gielen G.G.E.: An en- hanced MOEA/D-DE and its application to multiobjective analog cell sizing. IEEE Congress on Evolutionary Computation, pp. 1-7, (2010) otwiera się w nowej karcie
28. Michalewicz, Z.: Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, Berlin, (1996) otwiera się w nowej karcie
29. Qingfu Z., Aimin Z., Shizheng Z., Ponnuthurai N. S., Wudong L., Santosh T.: Multiobjective optimization test instances for the CEC 2009 Special Session and Competition. Working Report, CES-887, School of Computer Science and Electrical Engineering, University of Essex, (2009)
30. Rejeb, J., AbuElhaija, M.: New gender genetic algorithm for solving graph parti- tioning problems. Proceedings of the 43rd IEEE Midwest Symposium on Circuits and Systems, 1, pp. 444-446, (2000) otwiera się w nowej karcie
31. Sanchez-Velazco, J., Bullinaria, J.A.: Gendered selection strategies in genetic al- gorithms for optimization. Proceedings of the UK Workshop on Computational Intelligence, pp. 217-223, Bristol, UK, (2003)
32. Sanchez-Velazco, J., Bullinaria, J.A.: Sexual Selection with Competitive/Co- Operative Operators for Genetic Algorithms. Proc. the IASTED Intern. Conf. on Neural Networks and Computational Intelligence. ACTA Press, pp. 191-196, (2003)
33. Schaffer, J.D.: Multiple objective optimization with vector evaluated genetic al- gorithms, Proc. Intern. Conf. on Genetic Algorithms and their Applications, pp. 93-100. Lawrence Erlbaum Associates, Pittsburgh, PA, (1985) otwiera się w nowej karcie
34. Srinivas, N., Deb, K.: Multiobjective optimization using nondominated sorting in genetic algorithms, Evolutionary Computation, 2(3), pp. 221-248, (1994) otwiera się w nowej karcie
35. Sodsee, S., Meesad, P., Li, Z., Halang, W.: A networking requirement applica- tion by multi-objective genetic algorithms with sexual selection. 3rd International Conference Intelligent System and Knowledge Engineering, 1, pp. 513-518, (2008) otwiera się w nowej karcie
36. Song Goh, K., Lim, A., Rodrigues, B.: Sexual selection for genetic algorithms, Artificial Intelligence Review, pp. 123-152, (2003) otwiera się w nowej karcie
37. Viennet, R., Fontiex, C., Marc, I.: Multicriteria optimisation using a genetic algo- rithm for determining a Pareto set. International Journal of Systems Science, 27(2), pp. 255-260, (1996) otwiera się w nowej karcie
38. Vrajitoru, D.: Simulating Gender Separation with Genetic Algorithms. Proceedings of the Genetic and Evolutionary Computation Conference (GECCO), pp. 634-641, (2002) otwiera się w nowej karcie
39. While L., Hingston P., Barone L., Huband S.: A faster algorithm for calculating hypervolume. IEEE Transactions on Evolutionary Computation, 10(1), pp 29-38, (2006) otwiera się w nowej karcie
40. Yan, T.: An improved genetic algorithm and its blending application with neural network. 2nd International Workshop Intelligent Systems and Applications, pp. 1-4, (2010) otwiera się w nowej karcie
41. Zhang, Q., Li H.: MOEA/D: A multi-objective evolutionary algorithm based on de- composition, IEEE Trans. on Evolutionary Computation, 11(6), pp. 712-731, (2007)
42. Zitzler, E., Thiele, L.: Multiobjective evolutionary algorithms: a comparative case study and the strength Pareto approach. IEEE Transactions on Evolutionary Com- putation, 3(4), pp. 257 -271, (1999) otwiera się w nowej karcie
43. Zitzler, E., Thiele, L., Bader, J.: On set-based multiobjective optimization. IEEE Transactions on Evolutionary Computation, 14(1), pp. 58 -79, (2010) otwiera się w nowej karcie

więcej (43) mniej

Weryfikacja:

Politechnika Gdańska