• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Data in Brief >Datasets on statistical analysis and performance evaluation of backtracking search optimisation algorithm compared with its counterpart algorithms
【2h】

Datasets on statistical analysis and performance evaluation of backtracking search optimisation algorithm compared with its counterpart algorithms

机译：回溯搜索优化算法与其对应算法相比的统计分析和性能评估数据集

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this data article, we present the data used to evaluate the statistical success of the backtracking search optimisation algorithm (BSA) in comparison with the other four evolutionary optimisation algorithms. The data presented in this data article is related to the research article entitles ‘Operational Framework for Recent Advances in Backtracking Search Optimisation Algorithm: A Systematic Review and Performance Evaluation’ [1]. Three statistical tests conducted on BSA compared to differential evolution algorithm (DE), particle swarm optimisation (PSO), artificial bee colony (ABC), and firefly algorithm (FF). The tests are used to evaluate these mentioned algorithms and to determine which one could solve a specific optimisation problem concerning the statistical success of 16 benchmark problems taking several criteria into account. The criteria are initializing control parameters, dimension of the problems, their search space, and number of iterations needed to minimise a problem, the performance of the computer used to code the algorithms and their programming style, getting a balance on the effect of randomization, and the use of different type of optimisation problem in terms of hardness and their cohort. In addition, all the three tests include necessary statistical measures (Mean: mean-solution, S.D.: standard-deviation of mean-solution, Best: the best solution, Worst: the worst solution, Exec. Time: mean runtime in seconds, No. of succeeds: number of successful minimisation, and No. of Failure: number of failed minimisation).
机译：在此数据文章中，我们介绍了与其他四种进化优化算法相比，用于评估回溯搜索优化算法（BSA）的统计成功率的数据。本数据文章中提供的数据与题为“回溯搜索优化算法的最新进展的操作框架：系统综述和性能评估”的研究文章有关[1]。与差分进化算法（DE），粒子群优化（PSO），人工蜂群（ABC）和萤火虫算法（FF）相比，在BSA上进行了三种统计测试。这些测试用于评估这些提到的算法，并在考虑多个标准的情况下确定哪种算法可以解决涉及16个基准问题的统计成功的特定优化问题。准则包括初始化控制参数，问题的大小，其搜索空间以及使问题最小化所需的迭代次数，用于对算法进行编码的计算机的性能及其编程样式，以平衡随机化的影响，以及在硬度及其同类方面使用不同类型的优化问题。此外，所有三个测试均包括必要的统计量度（平均值：均值解决方案，标清：均值解决方案的标准偏差，最佳：最佳解决方案，最坏：最差解决方案，执行时间：平均运行时间（以秒为单位，否）成功次数：最小化成功次数，失败次数：最小化失败次数）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号