Page 88 - Fister jr., Iztok, Andrej Brodnik, Matjaž Krnc and Iztok Fister (eds.). StuCoSReC. Proceedings of the 2019 6th Student Computer Science Research Conference. Koper: University of Primorska Press, 2019
P. 88
Tabela 3: Rezultati Levy Tabela 5: Rezultati Ridge
Nast. Min Max Mean Median
Alg. D=10, 8E-07 1,002 0,190 0,032 Std Alg. Nast. Min Max Mean Median Std
BA Np=20 3E-15 0,182 0,022 4E-14 0,320
HBA D=10, 5E-07 1,793 0,249 0,005 0,047 BA D=10, 7,5E2 6,5E6 4,1E6 4,3E6 1,5E6
BA Np=30 4E-16 0,851 0,041 4E-14 0,475
HBA D=10, 9E-07 1,215 0,124 0,003 0,170 HBA Np=20 3E-07 0,002 0,0002 4E-05 4E-04
BA Np=50 8E-16 0,942 0,049 1E-14 0,307
HBA D=20, 4E-06 4,734 0,797 0,0003 0,188 BA D=10, 1E6 7,5E6 4,1E6 4E6 1,6E6
BA Np=20 2E-16 2,065 0,286 0,091 1,253
HBA D=20, 4E-06 3,430 0,683 1E-05 0,514 HBA Np=30 2E-06 0,004 0,0003 3E-05 9E-04
BA Np=30 4E-16 1,701 0,278 0,182 1,024
HBA D=20, 3E-06 4,842 0,776 2E-05 0,388 BA D=10, 1,2E6 8.9E6 4,1E6 3,5E6 2E6
BA Np=50 2E-16 1,123 0,272 0,091 1,157
HBA D=30, 1E-05 6,243 1,706 1,715 0,382 HBA Np=50 3E-06 2E-04 4E-05 2E-05 5E-05
BA Np=20 2E-14 2,246 0,637 0,272 1,446
HBA D=30, 8E-06 4,614 1,179 0,907 0,676 BA D=20, 1,9E6 2,5E7 1,4E7 1,4E7 6,6E6
BA Np=30 1E-14 2,065 0,466 0,272 1,369
HBA D=30, 1E-05 5,005 1,094 0,851 0,525 HBA Np=20 0,0085 4,181 0,397 0,105 0,862
BA Np=50 6E-15 2,156 0,496 0,272 1,473
HBA 0,586 BA D=20, 5,2E6 2,9E7 1,7E7 1,7E7 6E6
HBA Np=30 0,0082 2,566 0,302 0,071 0,549
BA D=20, 5,8E6 2,4E7 1,5E7 1,5E7 4,7E6
HBA Np=50 0,009 1,668 0,283 0,129 0,423
BA D=30, 1,1E7 7,9E7 3,4E7 3,2E7 1,6E7
HBA Np=20 0,464 2,1E6 90,873 5,618 409,032
BA D=30, 9,5E6 6,6E7 3E7 2,8E7 1,3E7
HBA Np=30 0,253 67,270 10,771 8,240 12,940
BA D=30, 8,9E6 4,9E7 2,8E7 2,6E7 1,1E7
HBA Np=50 0,414 31,860 9,629 4,938 8,573
Tabela 4: Rezultati Rastrigin Tabela 6: Rezultati Rosenbrock
Alg. Nast. Min Max Mean Median Std Alg. Nast. Min Max Mean Median Std
BA D=10, 15,920 77,610 45,052 44,773 15,620
HBA Np=20 5,970 31,840 17,073 16,914 7,416 BA D=10, 1,9E8 4E7 1E7 7E6 1E7
BA D=10, 18,904 80,590 48,236 47,758 19,660
HBA Np=30 5,970 38,800 16,312 14,742 6,937 HBA Np=20 6E-05 100,789 7,077 2,633 19,636
BA D=10, 18,904 79,600 41,828 38,804 16,340
HBA Np=50 5,970 28,850 16,079 15,919 4,880 BA D=10, 5E8 2E7 1E7 9E6 6E6
BA D=20, 44,775 153,200 87,000 81,588 26,970
HBA Np=20 17,909 62,680 42,107 45,768 13,240 HBA Np=30 0,0065 7,903 3,641 3,430 2,340
BA D=20, 36,815 161,200 88,712 87,558 31,680
HBA Np=30 21,889 80,590 49,827 47,758 14,730 BA D=10, 2E6 3E7 1E7 8E6 7E6
BA D=20, 24,876 170,100 75,339 70,643 32,670
HBA Np=50 22,884 91,540 48,992 47,758 14,730 HBA Np=50 0,0133 65,412 5,365 2,524 12,642
BA D=30, 67,661 242,800 143,120 148,250 46,420
HBA Np=20 38,803 137,400 78,647 76,612 28,770 BA D=20, 2E7 1E8 5E7 5E7 2E7
BA D=30, 82,584 241,800 136,910 120,390 47,600
HBA Np=30 42,783 130,300 73,348 74,622 21,150 HBA Np=20 1,248 121,418 21,271 12,315 27,305
BA D=30, 59,700 222,900 126,680 123,380 37,490
HBA Np=50 38,803 134,400 77,450 77,607 20,570 BA D=20, 6E6 6E7 3E7 3E7 2E7
liˇcnimi nastavitvami populacije. Eksperimenti so pokazali, HBA Np=30 0,495 78,608 12,600 10,839 14,593
da:
BA D=20, 3E6 7E7 4E7 4E7 2E7
• velikost populacije pri obeh uporabljenih algoritmih
nima enakega vpliva na rezultate optimizacije; HBA Np=50 1,874 69,171 13,313 11,927 12,300
• ne moremo nedvoumno potrditi, da z veˇcanjem popu- BA D=30, 1E7 2E8 6E7 6E7 4E7
lacije dosegamo boljˇse rezultate;
HBA Np=20 4,326 567,123 61,398 22,023 109,953
• je za vsako testno funkcijo potrebno eksperimentalno
doloˇciti optimalno nastavitev populacije, saj glede na BA D=30, 2E7 2E8 7E7 6E7 4E7
rezultate ne moremo potrditi, da obstaja optimalna
nastavitev za vse funkcije; HBA Np=30 0,033 106,160 32,547 21,400 30,564
• je algoritem BA pri optimizaciji funkcij viˇsjih dimen- BA D=30, 2E7 2E8 8E7 7E7 5E7
zij dosegel zelo slabe rezultate, kar so potrdile tudi ˇze
druge ˇstudije [5]; HBA Np=50 9,143 74,178 29,963 24,145 20,055
• se je algoritem HBA izkazal kot zelo uˇcinkovit pri vseh
nastavitvah parametrov. Najboljˇse rezultate je dosegel
pri dimenzijah 10 in 20, pri nekaterih funkcijah pa tudi
pri dimenziji 30;
• so bile pri funkcijah Rosenbrock, Sphere in Whitley
razlike v rezultatih optimizacije najveˇcje, pri funkcijah
Ackley (slika 1) in Rastrigin pa najmanjˇse;
Na podlagi dobljenih rezultatov in njihove analize lahko od-
govorimo na zastavljeni raziskovalni vpraˇsanji. Z veˇcanjem
populacije pri nekaterih testnih funkcijah doseˇzemo boljˇse
rezultate, vendar pa to ne velja za vse primere. S tem smo
odgovorili na RV1.
HBA dosega boljˇse rezultate na testnih funkcijah viˇsjih di-
menzij kakor njegov predhodnik BA. Razlog za to leˇzi v hi-
bridizaciji s strategijami DE, saj se osnovna razliˇcica algo-
StuCoSReC Proceedings of the 2019 6th Student Computer Science Research Conference 88
Koper, Slovenia, 10 October
Nast. Min Max Mean Median
Alg. D=10, 8E-07 1,002 0,190 0,032 Std Alg. Nast. Min Max Mean Median Std
BA Np=20 3E-15 0,182 0,022 4E-14 0,320
HBA D=10, 5E-07 1,793 0,249 0,005 0,047 BA D=10, 7,5E2 6,5E6 4,1E6 4,3E6 1,5E6
BA Np=30 4E-16 0,851 0,041 4E-14 0,475
HBA D=10, 9E-07 1,215 0,124 0,003 0,170 HBA Np=20 3E-07 0,002 0,0002 4E-05 4E-04
BA Np=50 8E-16 0,942 0,049 1E-14 0,307
HBA D=20, 4E-06 4,734 0,797 0,0003 0,188 BA D=10, 1E6 7,5E6 4,1E6 4E6 1,6E6
BA Np=20 2E-16 2,065 0,286 0,091 1,253
HBA D=20, 4E-06 3,430 0,683 1E-05 0,514 HBA Np=30 2E-06 0,004 0,0003 3E-05 9E-04
BA Np=30 4E-16 1,701 0,278 0,182 1,024
HBA D=20, 3E-06 4,842 0,776 2E-05 0,388 BA D=10, 1,2E6 8.9E6 4,1E6 3,5E6 2E6
BA Np=50 2E-16 1,123 0,272 0,091 1,157
HBA D=30, 1E-05 6,243 1,706 1,715 0,382 HBA Np=50 3E-06 2E-04 4E-05 2E-05 5E-05
BA Np=20 2E-14 2,246 0,637 0,272 1,446
HBA D=30, 8E-06 4,614 1,179 0,907 0,676 BA D=20, 1,9E6 2,5E7 1,4E7 1,4E7 6,6E6
BA Np=30 1E-14 2,065 0,466 0,272 1,369
HBA D=30, 1E-05 5,005 1,094 0,851 0,525 HBA Np=20 0,0085 4,181 0,397 0,105 0,862
BA Np=50 6E-15 2,156 0,496 0,272 1,473
HBA 0,586 BA D=20, 5,2E6 2,9E7 1,7E7 1,7E7 6E6
HBA Np=30 0,0082 2,566 0,302 0,071 0,549
BA D=20, 5,8E6 2,4E7 1,5E7 1,5E7 4,7E6
HBA Np=50 0,009 1,668 0,283 0,129 0,423
BA D=30, 1,1E7 7,9E7 3,4E7 3,2E7 1,6E7
HBA Np=20 0,464 2,1E6 90,873 5,618 409,032
BA D=30, 9,5E6 6,6E7 3E7 2,8E7 1,3E7
HBA Np=30 0,253 67,270 10,771 8,240 12,940
BA D=30, 8,9E6 4,9E7 2,8E7 2,6E7 1,1E7
HBA Np=50 0,414 31,860 9,629 4,938 8,573
Tabela 4: Rezultati Rastrigin Tabela 6: Rezultati Rosenbrock
Alg. Nast. Min Max Mean Median Std Alg. Nast. Min Max Mean Median Std
BA D=10, 15,920 77,610 45,052 44,773 15,620
HBA Np=20 5,970 31,840 17,073 16,914 7,416 BA D=10, 1,9E8 4E7 1E7 7E6 1E7
BA D=10, 18,904 80,590 48,236 47,758 19,660
HBA Np=30 5,970 38,800 16,312 14,742 6,937 HBA Np=20 6E-05 100,789 7,077 2,633 19,636
BA D=10, 18,904 79,600 41,828 38,804 16,340
HBA Np=50 5,970 28,850 16,079 15,919 4,880 BA D=10, 5E8 2E7 1E7 9E6 6E6
BA D=20, 44,775 153,200 87,000 81,588 26,970
HBA Np=20 17,909 62,680 42,107 45,768 13,240 HBA Np=30 0,0065 7,903 3,641 3,430 2,340
BA D=20, 36,815 161,200 88,712 87,558 31,680
HBA Np=30 21,889 80,590 49,827 47,758 14,730 BA D=10, 2E6 3E7 1E7 8E6 7E6
BA D=20, 24,876 170,100 75,339 70,643 32,670
HBA Np=50 22,884 91,540 48,992 47,758 14,730 HBA Np=50 0,0133 65,412 5,365 2,524 12,642
BA D=30, 67,661 242,800 143,120 148,250 46,420
HBA Np=20 38,803 137,400 78,647 76,612 28,770 BA D=20, 2E7 1E8 5E7 5E7 2E7
BA D=30, 82,584 241,800 136,910 120,390 47,600
HBA Np=30 42,783 130,300 73,348 74,622 21,150 HBA Np=20 1,248 121,418 21,271 12,315 27,305
BA D=30, 59,700 222,900 126,680 123,380 37,490
HBA Np=50 38,803 134,400 77,450 77,607 20,570 BA D=20, 6E6 6E7 3E7 3E7 2E7
liˇcnimi nastavitvami populacije. Eksperimenti so pokazali, HBA Np=30 0,495 78,608 12,600 10,839 14,593
da:
BA D=20, 3E6 7E7 4E7 4E7 2E7
• velikost populacije pri obeh uporabljenih algoritmih
nima enakega vpliva na rezultate optimizacije; HBA Np=50 1,874 69,171 13,313 11,927 12,300
• ne moremo nedvoumno potrditi, da z veˇcanjem popu- BA D=30, 1E7 2E8 6E7 6E7 4E7
lacije dosegamo boljˇse rezultate;
HBA Np=20 4,326 567,123 61,398 22,023 109,953
• je za vsako testno funkcijo potrebno eksperimentalno
doloˇciti optimalno nastavitev populacije, saj glede na BA D=30, 2E7 2E8 7E7 6E7 4E7
rezultate ne moremo potrditi, da obstaja optimalna
nastavitev za vse funkcije; HBA Np=30 0,033 106,160 32,547 21,400 30,564
• je algoritem BA pri optimizaciji funkcij viˇsjih dimen- BA D=30, 2E7 2E8 8E7 7E7 5E7
zij dosegel zelo slabe rezultate, kar so potrdile tudi ˇze
druge ˇstudije [5]; HBA Np=50 9,143 74,178 29,963 24,145 20,055
• se je algoritem HBA izkazal kot zelo uˇcinkovit pri vseh
nastavitvah parametrov. Najboljˇse rezultate je dosegel
pri dimenzijah 10 in 20, pri nekaterih funkcijah pa tudi
pri dimenziji 30;
• so bile pri funkcijah Rosenbrock, Sphere in Whitley
razlike v rezultatih optimizacije najveˇcje, pri funkcijah
Ackley (slika 1) in Rastrigin pa najmanjˇse;
Na podlagi dobljenih rezultatov in njihove analize lahko od-
govorimo na zastavljeni raziskovalni vpraˇsanji. Z veˇcanjem
populacije pri nekaterih testnih funkcijah doseˇzemo boljˇse
rezultate, vendar pa to ne velja za vse primere. S tem smo
odgovorili na RV1.
HBA dosega boljˇse rezultate na testnih funkcijah viˇsjih di-
menzij kakor njegov predhodnik BA. Razlog za to leˇzi v hi-
bridizaciji s strategijami DE, saj se osnovna razliˇcica algo-
StuCoSReC Proceedings of the 2019 6th Student Computer Science Research Conference 88
Koper, Slovenia, 10 October
