• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International Journal of Swarm Intelligence and Evolutionary Computation >Hybrid Nature-Inspired Computing (NIC) Methods: Motivation and Prospection
【24h】

Hybrid Nature-Inspired Computing (NIC) Methods: Motivation and Prospection

机译：混合自然启发式计算（NIC）方法：动机和展望

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

During the recent years, nature has been a rich information resource, inspired by which numerous intelligent computing methodologies have been proposed, developed, and studied [1]. The Nature-Inspired Computing (NIC) methods use the nature as a metaphor, inspiration, and enabler. The typical NIC methods include Genetic Algorithms (GA), Tabu Search (TS), Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), Bacteria Foraging (BF), Differential Evolution (DE), Clonal Selection Algorithm (CSA), Harmony Search (HS), Cultural Algorithms (CA), Simulated Annealing (SA), Memetic Computing (MC), etc [2]. They have been successfully applied in such emerging fields as optimization, machine learning, data mining, and fault diagnosis. Unfortunately, each NIC method has its own strengths and drawbacks, since they are based on only certain phenomena of the nature. Moreover, the standalone NIC methods are usually not efficient at handling the uncertainty and imprecision in practice. Therefore, fusion of them can indeed offer us competitive solutions to the practical problems [3].
机译：近年来，自然已经成为一个丰富的信息资源，受其启发，人们提出，开发和研究了许多智能计算方法[1]。自然启发式计算（NIC）方法使用自然作为隐喻，灵感和促成因素。典型的NIC方法包括遗传算法（GA），禁忌搜索（TS），粒子群优化（PSO），蚁群优化（ACO），细菌觅食（BF），差异进化（DE），克隆选择算法（CSA），和谐搜索（HS），文化算法（CA），模拟退火（SA），模因计算（MC）等[2]。它们已成功应用于优化，机器学习，数据挖掘和故障诊断等新兴领域。不幸的是，每种NIC方法都有其自身的优缺点，因为它们仅基于某些自然现象。此外，独立的NIC方法通常在处理实践中的不确定性和不精确性方面效率不高。因此，它们的融合确实可以为我们提供针对实际问题的竞争解决方案[3]。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

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