ANN Optimization Experiments for Classification

2014 ◽  
pp. 200-212
Keyword(s):  
Neural Network ◽  
Ant Colony Optimization ◽  
Search Algorithm ◽  
Optimization Algorithms ◽  
Ant Colony ◽  
The Other ◽  
The Neural Network

This chapter shows the application of PSO and GA algorithms for training the neural network using two datasets: XOR and Iris. Then the performance of both algorithms are compared and presented by figures. In addition, some of the other optimization algorithms such as Gravitation Search Algorithm (GSA) and Ant Colony Optimization (ACO) are explained.

scholarly journals OPTIMIZATION OF ARTIFICIAL NEURAL NETWORKS USING ANT COLONY OPTIMIZATION TO IDENTIFY SIGNATURE IMAGES

Transmisi ◽  
2019 ◽  
Vol 21 (4) ◽  
pp. 128-134
Author(s):  
Junia Kurniati
Keyword(s):  
Neural Network ◽  
Ant Colony Optimization ◽  
Extraction Process ◽  
Ant Colony ◽  
Gabor Wavelet ◽  
The Neural Network ◽  
Network Method ◽  
Method Optimization ◽  
Recognition Systems ◽  
Physical Features

Biometrics can be used in identification or recognition systems because it is a method for recognizing humans based on one or more physical features or unique behaviors, one of which is the Signature. In its application, signatures need to be examined (identification) because signatures are often imitated or falsified for various purposes. The signature that will be identified will be taken first by its characteristics by performing the feature extraction process using the Gabor Wavelet Transform (TGW) method. After extracting, the signature identification process is carried out using the Neural Network. In the process of applying the Neural Network method, optimization will be performed using Ant Colony Optimization. The results showed that the identification of signatures made using the Neural Network alone produced an accuracy of 77%, but after optimization using Ant Colony Optimization increased to 83%.

scholarly journals A Hybrid Ant Colony and Cuckoo Search Algorithm for Route Optimization of Heating Engineering

Energies ◽  
2018 ◽  
Vol 11 (10) ◽  
pp. 2675 ◽  
Author(s):  
Yang Zhang ◽  
Huihui Zhao ◽  
Yuming Cao ◽  
Qinhuo Liu ◽  
Zhanfeng Shen ◽  
...  
Keyword(s):  
Ant Colony Optimization ◽  
Optimization Algorithm ◽  
Search Algorithm ◽  
Fitness Function ◽  
Cuckoo Search ◽  
Cuckoo Search Algorithm ◽  
Ant Colony ◽  
Ant Colony Optimization Algorithm ◽  
Elapsed Time ◽  
Route Design

The development of remote sensing and intelligent algorithms create an opportunity to include ad hoc technology in the heating route design area. In this paper, classification maps and heating route planning regulations are introduced to create the fitness function. Modifications of ant colony optimization and the cuckoo search algorithm, as well as a hybridization of the two algorithms, are proposed to solve the specific Zhuozhou–Fangshan heating route design. Compared to the fitness function value of the manual route (234.300), the best route selected by modified ant colony optimization (ACO) was 232.343, and the elapsed time for one solution was approximately 1.93 ms. Meanwhile, the best route selected by modified Cuckoo Search (CS) was 244.247, and the elapsed time for one solution was approximately 0.794 ms. The modified ant colony optimization algorithm can find the route with smaller fitness function value, while the modified cuckoo search algorithm can find the route overlapped to the manual selected route better. The modified cuckoo search algorithm runs more quickly but easily sticks into the premature convergence. Additionally, the best route selected by the hybrid ant colony and cuckoo search algorithm is the same as the modified ant colony optimization algorithm (232.343), but with higher efficiency and better stability.

scholarly journals Βελτιστοποίηση υπό πίεση ακτινωτών αρδευτικών δικτύων με χρήση αλγόριθμου αποικίας μυρμηγκιών

2015 ◽  
Author(s):  
Παναγιώτης Κανάκης
Keyword(s):  
Ant Colony Optimization ◽  
Optimization Algorithms ◽  
Ant Colony ◽  
Second Step ◽  
Ant Colony Optimization Algorithms

Στην παρούσα διδακτορική διατριβή αναπτύχθηκε ένας αλγόριθμος βελτιστοποίησης για την επίλυση του προβλήματος της βέλτιστης επιλογής διαμέτρων των υπό πίεση αρδευτικών δικτύων που λειτουργούν με καθεστώς ελεύθερης ζήτησης, με ταυτόχρονη βελτιστοποίηση της επιλογής μανομετρικού φορτίου στα αντλιοστάσια. Ο αλγόριθμος ανήκει στην κατηγορία των Αλγορίθμων Βελτιστοποίησης Αποικίας Μυρμηγκιών (Ant Colony Optimization Algorithms, ACO Algorithms), μία κατηγορία σύγχρονων μεθευρετικών μεθόδων που βασίζονται στις διαδικασίες που χρησιμοποιούν τα αληθινά μυρμήγκια για να βρουν τη συντομότερη διαδρομή από τη φωλιά της αποικίας προς την τροφή, μέσω της απόθεσης φερομόνης στις διαδρομές που ακολουθούν. Από τη βιβλιογραφία προκύπτει ότι οι μεθευρετικές μέθοδοι υπερέχουν έναντι των κλασικών μαθηματικών μεθόδων στη βελτιστοποίηση δικτύων διανομής νερού με βρόχους, όπως είναι τα αστικά δίκτυα ύδρευσης. Δεν υπάρχουν όμως εφαρμογές σε ακτινωτά υπό πίεση αρδευτικά δίκτυα. Ο κώδικας προγραμματισμού αναπτύχθηκε σε γλώσσα προγραμματισμού Fortran. Στον κώδικα ενσωματώθηκαν οι διαδικασίες ελέγχου της ορθής υδραυλικής λειτουργίας των παραγόμενων λύσεων, οι οποίες εφαρμόζονται άμεσα και αφορούν τον έλεγχο του υπολειπόμενου φορτίου στους κόμβους και τη διατήρηση φθίνουσας τάξης μεγέθους των διαμέτρων κατά μήκος των σωληνώσεων του δικτύου. Οι παροχές των αγωγών υπολογίστηκαν με τον πρώτο τύπο του Clément. Οι απώλειες φορτίου υπολογίστηκαν με τη σχέση των Hazen-Williams. Στις διαδικασίες του αλγορίθμου έχουν προστεθεί δύο νέοι μηχανισμοί που βοηθούν στην πιο γρήγορη σύγκλιση στη λύση και στη μείωση του χρόνου εκτέλεσης. Αυτοί οι μηχανισμοί ονομάστηκαν Προσθήκη Φερομόνης 2ου Σταδίου (Second Step Pheromone Addition, SSPA) και Ώθηση Εκκίνησης (Start Boost Mechanism, SBM). Η αποτελεσματικότητά τους, καθώς και η βέλτιστη επιλογή των παραμέτρων του αλγορίθμου, ερευνήθηκε μέσα από μία διαδικασία παραμετρικής ανάλυσης. Η εφαρμογή του αλγορίθμου ACO έγινε στο δίκτυο του αντλιοστασίου άρδευσης Σ9 της τέως λίμνης Γιαννιτσών. Είναι ένα υπό πίεση ακτινωτό δίκτυο ελεύθερης ζήτησης με έκταση περίπου 3000 στρέμματα, με 71 αγωγούς και 110 εγκατεστημένα υδροστόμια. Για την επιλογή των παραμέτρων που είναι απαραίτητες για την εφαρμογή του τύπου του Clément πραγματοποιήθηκε πειραματική διαδικασία στην περιοχή μελέτης. Οι μετρήσεις αφορούσαν την παροχή και πίεση στην έξοδο των υδροστομίων κατά τη διάρκεια της λειτουργίας τους. Επίσης, συλλέχθηκαν δεδομένα ζητούμενης παροχής και πίεσης από το αντλιοστάσιο καθώς και μετεωρολογικά δεδομένα. Η πειραματική διαδικασία έδειξε ότι ο σχεδιασμός του δικτύου βάσει της μελέτης του δεν ανταποκρίνεται στις πραγματικές συνθήκες λειτουργίας. Η εφαρμογή της προτεινόμενης μεθόδου ACO στο δίκτυο μελέτης απέδειξε ότι η παρούσα κατάσταση λειτουργίας έχει διαφορετικές απαιτήσεις από την θεωρούμενη κατά το σχεδιασμό του δικτύου. Τέλος, για την καλύτερη αξιολόγηση της προτεινόμενης μεθόδου ACO, έγινε σύγκριση με τα αποτελέσματα της ασυνεχούς μεθόδου του Γραμμικού Προγραμματισμού και της συνεχούς μεθόδου του Μη Γραμμικού Προγραμματισμού.

Sign in / Sign up

Export Citation Format

Share Document