عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
شماره کتابشناسی ملی
شماره
TL53397
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
انگلیسی
عنوان و نام پديدآور
عنوان اصلي
A Comparison of the Genetic Algorithm and the Mixing Genetic Algorithm
نام عام مواد
[Thesis]
نام نخستين پديدآور
Gulfam, Muhammad
نام ساير پديدآوران
Sutton, Andrew
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
University of Minnesota
تاریخ نشرو بخش و غیره
2020
يادداشت کلی
متن يادداشت
94 p.
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
M.S.
کسي که مدرک را اعطا کرده
University of Minnesota
امتياز متن
2020
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
Genetic Algorithms (GAs) are optimization techniques inspired by the idea of evolution. They can sometimes take a long time to find the solution to a problem, but it is not always obvious when, or how to configure their various parameters. Recently, a new GA was introduced [8] that has a lot of potential for parallelization. This algorithm, called the Mixing Genetic Algorithm, has shown promising results on the well-known Traveling Salesman Problem. In this work, we have compared the effectiveness of the Mixing GA over a traditional GA on three discrete optimization problems: the OneMax problem and two topologies of the Ising Model (Ising Model on Tree and Ising Model on Ring). The comparison has been done for the success rate at the given time, for the given problem size and size of population. The comparison has been done for, both, serial and parallel implementations. Overall, the success rate for the Mixing GA is better than the traditional GA. We have also compared two population selection methods, namely, tournament selection and generational population selection. The tournament selection outperformed generational population selection for all the problems and problem sizes that we experimented with.
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
Computer science
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
Gulfam, Muhammad
نام شخص - ( مسئولیت معنوی درجه دوم )
مستند نام اشخاص تاييد نشده
Sutton, Andrew
شناسه افزوده (تنالگان)
مستند نام تنالگان تاييد نشده
University of Minnesota
دسترسی و محل الکترونیکی
نام الکترونيکي
مطالعه متن کتاب وضعیت انتشار
فرمت انتشار
p
اطلاعات رکورد کتابشناسی
نوع ماده
[Thesis]
کد کاربرگه
276903
اطلاعات دسترسی رکورد
سطح دسترسي
a
تكميل شده
Y
