ADAPTACYJNY RÓŻNICZKOWY ALGORYTM EWOLUCYJNY ZE STRATEGIĄ DOSTOSOWYWANIA GRANIC DO ROZWIĄZYWANIA NIELINIOWYCH PROBLEMÓW IDENTYFIKACJI PARAMETRÓW
##plugins.themes.bootstrap3.article.sidebar##
Open full text
Numer Tom 14 Nr 2 (2024)
-
ŚLEDZENIE ZABURZEŃ RUCHU DŁONI ZA POMOCĄ SMARTFONA W OPARCIU O METODY WIZJI KOMPUTEROWEJ
Marko Andrushchenko, Karina Selivanova, Oleg Avrunin, Dmytro Palii, Sergii Tymchyk , Dana Turlykozhayeva5-10
-
SPOSOBY ANALIZY PARAMETRÓW TRANSMISJI I ODTWORZENIA SYGNAŁU MOWY
Olexiy Azarov, Larysa Azarova, Iurii Krak, Leonid Krupelnitskyi, Anzhelika Azarova, Veronika Azarova11-16
-
KONCEPCJA I WALIDACJA UKŁADU DO REJESTRACJI SYGNAŁÓW WIBROAKUSTYCZNYCH STAWU KOLANOWEGO
Robert Karpiński, Anna Machrowska, Marcin Maciejewski, Józef Jonak, Przemysław Krakowski17-21
-
INSPIROWANE KOJOTAMI PODEJŚCIE DO PRZEWIDYWANIA TOCZNIA RUMIENIOWATEGO UKŁADOWEGO Z WYKORZYSTANIEM SIECI NEURONOWYCH
Sobhana Mummaneni, Pragathi Dodda, Naga Deepika Ginjupalli22-27
-
ZMIANA CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWEJ FILTRA Z WYKORZYSTANIEM DŁAWIKA O PŁYNNIE REGULOWANEJ INDUKCJI
Vasyl Hudym, Vira Kosovska, Huthaifa Al_Issa, Taras Shchur, Oleksandr Miroshnyk, Sławomir Ziarkowski28-33
-
BADANIE TRYBÓW ROZRUCHU JEDNOFAZOWYCH SILNIKÓW ASYNCHRONICZNYCH PRZY ZMIANIE PARAMETRÓW UZWOJEŃ STOJANA, KONDENSATORA PRZESUWAJĄCEGO FAZĘ I NAPIĘCIA ZASILANIA
Suad Omar Aldaikh, Mohannad O. Rawashdeh, Lina H. Hussienat, Mohamed Qawaqzeh, Oleksiy Iegorov, Olga Iegorova, Mykola Kundenko, Dmytro Danylchenko, Oleksandr Miroshnyk, Taras Shchur34-41
-
OCENA CHARAKTERYSTYKI ENERGETYCZNEJ PROCESU SUSZENIA PODCZERWIENI NASION RZEPAKU I SOJI PRZY UŻYCIU WIRNIKA WIBRACYJNEGO
Igor Palamarchuk, Vladyslav Palamarchuk, Marija Zheplinska42-46
-
UZASADNIENIE MOŻLIWOŚCI STWORZENIA ZINTEGROWANEGO ULTRADŹWIĘKOWEGO PRZETWORNIKA DO POMIARU ZUŻYCIA GAZU ZIEMNEGO
Yosyp Bilynsky, Аndrii Stetsenko, Konstantin Ogorodnik47-50
-
NUMERYCZNE BADANIE MOŻLIWOŚCI WYKORZYSTANIA POŁĄCZEŃ KLEJOWYCH DO POŚREDNICH POMIARÓW ROZKŁADU NAPRĘŻENIA
Piotr Kisała, Paweł Wiśniewski51-55
-
ZMODYFIKOWANA METODA ANALIZY WIDMOWEJ SYGNAŁÓW RADIOWYCH Z WYKORZYSTANIEM PODEJŚCIA OPERATORSKIEGO DLA TRANSFORMATY FOURIERA
Valentyn Sobchuk, Serhii Laptiev, Tetiana Laptievа, Oleg Barabash, Oleksandr Drobyk, Andrii Sobchuk56-61
-
ITERACYJNE DEKODOWANIE KRÓTKICH KODÓW PARZYSTOŚCI O NISKIEJ GĘSTOŚCI W OPARCIU O EWOLUCJĘ RÓŻNICOWĄ
Mykola Shtompel, Sergii Prykhodko62-65
-
PRZEGLĄD GENERATYWNYCH SIECI PRZECIWSTAWNYCH DLA ZASTOSOWAŃ BEZPIECZEŃSTWA
Swarajya Madhuri Rayavarapu, Shanmukha Prasanthi Tammineni, Sasibhushana Rao Gottapu, Aruna Singam66-70
-
IoT DO PREDYKCYJNEJ KONSERWACJI KRYTYCZNEGO SPRZĘTU MEDYCZNEGO W STRUKTURZE SZPITALA
Maroua Guissi, My Hachem El Yousfi Alaoui, Larbi Belarbi, Asma Chaik71-76
-
ZASTOSOWANIE SIECI NEURONOWYCH RESNET-152 DO ANALIZY OBRAZÓW Z UAV DO WYKRYWANIA POŻARU
Nataliia Stelmakh, Svitlana Mandrovska, Roman Galagan77-82
-
IDENTYFIKACJA GLEB ZASOLONYCH W STREFIE PRZYBRZEŻNEJ DYSTRYKTU KRISHNA, ANDHRA PRADESH, Z WYKORZYSTANIEM DANYCH TELEDETEKCYJNYCH I TECHNIK UCZENIA MASZYNOWEGO
Govada Anuradha, Venkata Sai Sankara Vineeth Chivukula, Naga Ganesh Kothangundla83-88
-
OCENA WYDAJNOŚCI WYKRYWANIA MASKI NA TWARZY NA PODSTAWIE WIELU MODYFIKACJI ARCHITEKTURY YOLOV8
Muna AL-Shamdeen, Fawziya Mahmood Ramo89-95
-
OCENA ROZWIĄZAŃ INŻYNIERSKICH W ROZWOJU DZIAŁU ZAKUPÓW DLA WARSZTATU KONSTRUKCJI METALOWYCH
Bogdan Palchevskyi, Lubov Krestyanpol96-100
-
OCENA SKUTECZNOŚCI PROGNOZOWANIA CEN BITCOINÓW PRZY UŻYCIU TECHNIK UCZENIA MASZYNOWEGO NA DANYCH HISTORYCZNYCH
Mamun Ahmed, Sayma Alam Suha, Fahamida Hossain Mahi, Forhad Uddin Ahmed101-108
-
METODY INTELIGENTNEJ ANALIZY DANYCH Z WYKORZYSTANIEM SIECI NEURONOWYCH W DIAGNOZIE
Volodymyr Lyfar, Olena Lyfar, Volodymyr Zynchenko109-112
-
POPRAWA PARAMETRÓW REGRESJI WEKTORA NOŚNEGO V Z RÓWNOLEGŁYM WYBOREM CECHY POPRZEZ WYKORZYSTANIE ALGORYTMU QUASI-OPOZYCYJNEGO I ALGORYTMU OPTYMALIZACJI HARRIS HAWKS
Omar Mohammed Ismael, Omar Saber Qasim, Zakariya Yahya Algamal113-118
-
ADAPTACYJNY RÓŻNICZKOWY ALGORYTM EWOLUCYJNY ZE STRATEGIĄ DOSTOSOWYWANIA GRANIC DO ROZWIĄZYWANIA NIELINIOWYCH PROBLEMÓW IDENTYFIKACJI PARAMETRÓW
Watchara Wongsa, Pikul Puphasuk, Jeerayut Wetweerapong119-126
-
MODELOWANIE WYBORU KURSU ONLINE DLA UMIEJĘTNOŚCI HIGIENY INFORMACJI METODĄ SAATY
Yuliia Rudenko, Karen Ahadzhanov-Honsales, Svitlana Ahadzhanova, Alla Batalova, Olena Bieliaieva, Artem Yurchenko, Olena Semenikhina127-132
-
PRZEGLĄD OSIĄGNIĘĆ PRACOWNIKÓW POLITECHNIKI LUBELSKIEJ W DZIEDZINIE WYKORZYSTANIA ZBIORÓW ROZMYTYCH
Maciej Celiński, Adam Kiersztyn133-140
-
SYMULACJA ROBOTYCZNYCH ZESPOŁÓW MECHATRONICZNYCH W PROGRAMIE V-REP
Laura Yesmakhanova141-148
Archiwum
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
-
Tom 10 Nr 4
2020-12-20 16
-
Tom 10 Nr 3
2020-09-30 22
-
Tom 10 Nr 2
2020-06-30 16
-
Tom 10 Nr 1
2020-03-30 19
##plugins.themes.bootstrap3.article.main##
DOI
Authors
Abstrakt
Problemy identyfikacji parametrów w świecie rzeczywistym wymagają określenia granic, które pokrywają nieznane rozwiązania. W artykule przedstawiono adaptacyjny różniczkowy algorytm ewolucyjny ze strategią dostosowywania granic (ADEBAS) do rozwiązywania nieliniowych problemów identyfikacji parametrów. Strategia dostosowywania wykrywa naruszenia granic parametrów zmutowanych wektorów podczas procesu ewolucji i stopniowo rozszerza granice. Algorytm adaptacyjnie wykorzystuje dwie strategie mutacji i dwa zakresy szybkości krzyżowania, aby zrównoważyć różnorodność populacji i szybkość zbieżności. Wyniki eksperymentów pokazują, że ADEBAS może rozwiązać 24 zadania regresji nieliniowej z benchmarku National Institute of Standards and Technology z dokładnym oszacowaniem i niezawodnością. Przewyższa również porównywane metody w rzeczywistych problemach identyfikacji parametrów.
Słowa kluczowe:
Bibliografia
Alam D. F. et al.: Flower pollination algorithm based solar PV parameter estimation. Energy Conversion and Management 101, 2015, 410–422 [http://dx.doi.org/10.1016/j.enconman.2015.05.074]. DOI: https://doi.org/10.1016/j.enconman.2015.05.074
Askary R., Najarchi M., Mazaheri H.: Estimating SWRC parameters and unsaturated hydraulic permeability by improved Jaya and hybrid improved jaya optimization algorithms. Earth Science Informatics 15(4), 2022, 2155–2169 [https://doi.org/10.1007/s12145-022-00862-z]. DOI: https://doi.org/10.1007/s12145-022-00862-z
Barati R.: Parameter estimation of nonlinear Muskingum models using Nelder-Mead simplex algorithm. Journal of Hydrologic Engineering 16(11), 2011, 946–954 [http://doi.org/10.1061/(ASCE)HE.1943-5584.0000379]. DOI: https://doi.org/10.1061/(ASCE)HE.1943-5584.0000379
Brooks S. P., Morgan B. J.: Optimization using simulated annealing. Journal of the Royal Statistical Society Series D: The Statistician 44(2), 1995, 241–257. DOI: https://doi.org/10.2307/2348448
Chen X. et al.: Teaching–learning–based artificial bee colony for solar photovoltaic parameter estimation. Applied energy 212, 2018, 1578–1588 [https://doi.org/10.1016/j.apenergy.2017.12.115]. DOI: https://doi.org/10.1016/j.apenergy.2017.12.115
Gautier M., Janot A., Vandanjon P. O.: A new closed-loop output error method for parameter identification of robot dynamics. IEEE Transactions on Control Systems Technology 21(2), 2012, 428–444 [https://doi.org/10.1109/TCST.2012.2185697]. DOI: https://doi.org/10.1109/TCST.2012.2185697
Hu Z., Gong W., Li S.: Reinforcement learning-based differential evolution for parameters extraction of photovoltaic models. Energy Reports 7, 2021, 916–928 [https://doi.org/10.1016/j.egyr.2021.01.096]. DOI: https://doi.org/10.1016/j.egyr.2021.01.096
Jin J., Gans N.: Parameter identification for industrial robots with a fast and robust trajectory design approach. Robotics and Computer-Integrated Manufacturing 31, 2015, 21–29 [https://doi.org/10.1016/j.rcim.2014.06.004]. DOI: https://doi.org/10.1016/j.rcim.2014.06.004
Kennedy J., Eberhart R.: Particle swarm optimization. Proceedings of ICNN'95-international conference on neural networks, 1995, 1942–1948. DOI: https://doi.org/10.1109/ICNN.1995.488968
Li S., Gong W., Yan X., Hu C., Bai D., Wang L.: Parameter estimation of photovoltaic models with memetic adaptive differential evolution. Solar Energy 190, 2019, 465–474 [https://doi.org/10.1016/j.solener.2019.08.022]. DOI: https://doi.org/10.1016/j.solener.2019.08.022
Liang J. et al.: Parameters estimation of solar photovoltaic models via a self-adaptive ensemble-based differential evolution. Solar Energy 207, 2020, 336–346 [https://doi.org/10.1016/j.solener.2020.06.100]. DOI: https://doi.org/10.1016/j.solener.2020.06.100
Mohan S.: Parameter estimation of nonlinear Muskingum models using genetic algorithm. Journal of hydraulic engineering 123(2), 1997, 137–142 [https://doi.org/10.1061/(ASCE)0733-9429(1997)123:2(137)]. DOI: https://doi.org/10.1061/(ASCE)0733-9429(1997)123:2(137)
Nemes A. D. et al.: Description of the unsaturated soil hydraulic database UNSODA version 2.0. Journal of hydrology 251(3-4), 2001, 151–162. DOI: https://doi.org/10.1016/S0022-1694(01)00465-6
Price W. L.: A controlled random search procedure for global optimisation. The Computer Journal 20(4), 1977, 367–370. DOI: https://doi.org/10.1093/comjnl/20.4.367
Puphasuk P., Wetweerapong J.: An enhanced differential evolution algorithm with adaptation of switching crossover strategy for continuous optimization. Foundations of Computing and Decision Sciences 45(2), 2020, 97–124 [https://doi.org/10.2478/fcds-2020-0007]. DOI: https://doi.org/10.2478/fcds-2020-0007
Salhi H., Kamoun S.: A recursive parametric estimation algorithm of multivariable nonlinear systems described by Hammerstein mathematical models. Applied Mathematical Modelling 39(16), 2015, 4951–4962 [https://doi.org/10.1016/j.apm.2015.03.050]. DOI: https://doi.org/10.1016/j.apm.2015.03.050
Singsathid P., Wetweerapong J., Puphasuk P.: Parameter estimation of solar PV models using self-adaptive differential evolution with dynamic mutation and pheromone strategy. Computer Science 19(1), 2024, 13–21. DOI: https://doi.org/10.11591/eei.v13i1.6590
Storn R., Price K.: Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization 11, 1997, 341–359 [http://doi.org/10.1023/A:1008202821328]. DOI: https://doi.org/10.1023/A:1008202821328
Tvrdík J., Křivý I., Mišík L.: Adaptive population-based search: application to estimation of nonlinear regression parameters. Computational statistics & data analysis 52(2), 2007, 713–724 [https://doi.org/10.1016/j.csda.2006.10.014]. DOI: https://doi.org/10.1016/j.csda.2006.10.014
Wang D. et al.: Heterogeneous differential evolution algorithm for parameter estimation of solar photovoltaic models. Energy Reports 8, 2022, 4724–4746 [https://doi.org/10.1016/j.egyr.2022.03.144]. DOI: https://doi.org/10.1016/j.egyr.2022.03.144
Wang L., Huang C., Huang L.: Parameter estimation of the soil water retention curve model with Jaya algorithm. Computers and Electronics in Agriculture 151, 2018, 349–353 [https://doi.org/10.1016/j.compag.2018.06.024]. DOI: https://doi.org/10.1016/j.compag.2018.06.024
Whitley D.: A genetic algorithm tutorial. Statistics and computing 4, 1994, 65–85. DOI: https://doi.org/10.1007/BF00175354
Xu L.: The damping iterative parameter identification method for dynamical systems based on the sine signal measurement. Signal Processing 120, 2016, 660–667 [https://doi.org/10.1016/j.sigpro.2015.10.009]. DOI: https://doi.org/10.1016/j.sigpro.2015.10.009
Yang X., You X.: Estimating parameters of van Genuchten model for soil water retention curve by intelligent algorithms. Applied Mathematics & Information Sciences 7(5), 2013, 1977–1983. DOI: https://doi.org/10.12785/amis/070537
Yu K. et al.: A performance-guided JAYA algorithm for parameters identification of photovoltaic cell and module. Applied Energy 237, 2019, 241–257 [https://doi.org/10.1016/j.apenergy.2019.01.008]. DOI: https://doi.org/10.1016/j.apenergy.2019.01.008
Zhang J., Wang Z., Luo X.: Parameter estimation for soil water retention curve using the salp swarm algorithm. Water 10(6), 2018, 815 [https://doi.org/10.3390/w10060815]. DOI: https://doi.org/10.3390/w10060815
Zhou J. et al.: Parameters identification of photovoltaic models using a differential evolution algorithm based on elite and obsolete dynamic learning. Applied Energy 314, 2022, [https://doi.org/10.1016/j.apenergy.2022.118877]. DOI: https://doi.org/10.1016/j.apenergy.2022.118877
National Institute of Standards and Technology. Nonlinear regression, 2003 [https://www.itl.nist.gov/div898/strd/nls/nls_info.shtml].
##plugins.themes.bootstrap3.article.details##
Abstract views: 213

