Please use this identifier to cite or link to this item: http://dspace.centre-univ-mila.dz/jspui/handle/123456789/3805
Full metadata record
DC FieldValueLanguage
dc.contributor.authorDallal , KHEMICI , TAMEN Habet Ellah-
dc.date.accessioned2024-10-03T10:09:25Z-
dc.date.available2024-10-03T10:09:25Z-
dc.date.issued2024-06-
dc.identifier.citationCommunication (STIC)en_US
dc.identifier.urihttp://dspace.centre-univ-mila.dz/jspui/handle/123456789/3805-
dc.descriptionL’optimisation est un outil essentiel dans la communauté scientifique, favorisant les avancées et résolvant des problèmes complexes dans divers domaines. Parmi les différentes techniques d’optimisation, les étaheuristiques ont gagné en importance grâce à leur flexibilité et leur efficacité. L’évolution différentielle (DE), un algorithme métaheuristique de premier plan, est largement utilisée en raison de son efficacité et de sa robustesse à traiter divers défis d’optimisation. La DE a été appliquée avec succès dans de nombreuses applications réelles, y compris la conception d’ingénierie, l’apprentissage automatique et la modélisation financière. Malgré ses forces, la DE fait face à de nombreux défis, tels que l’équilibre entre exploration et xploitation et le maintien des performances dans des espaces de haute dimension. La performance de la DE est en grande partie attribuée aux paramètres et aux opérateurs utilisés. Motivés par cela, nous combinons des idées de différentes approches existantes pour améliorer les capacités de la DE. Cela inclut la modification de la taille de la population fixe de base et l’utilisation de diverses stratégies d’opérateurs avec des techniques de contrôle des paramètres. En faisant cela, nous visons à améliorer l’efficacité de la DE dans divers scénarios d’optimisation. Grâce à des expérimentations approfondies utilisant l’environnement de benchmarking BBOB, la nouvelle approche démontre des résultats prometteurs.en_US
dc.description.abstractOptimization is a critical tool in the scientific community, driving advancements and solving complex problems across various domains. Among the various optimization techniques, metaheuristics have gained prominence for their flexibility and effectiveness. Differential Evolution (DE), a leading metaheuristic algorithm, is widely used due to its efficiency and robustness in handling diverse optimization challenges. DE has been uccessfully applied in numerous real-world applications, including engineering design, machine learning, and financial modeling. Despite its strengths, DE faces many challenges such as balancing exploration and exploitation and maintaining performance in highdimensional spaces. The performance of DE is largely attributed to the arameters and operators used. Motivated by this, we combine ideas from different existing approaches to enhance DE’s capabilities. This includes modifying the basic fixed population size and employing various operator strategies with parameter control techniques. By doing this, we aim to improve the efficiency of DE across diverse optimization scenarios. Through extensive experimentation using the BBOB benchmarking environment, the new approach demonstrates promising results.en_US
dc.language.isofren_US
dc.publisheruniversity center of abdalhafid boussouf - MILAen_US
dc.subjectOptimization, Differential Evolution (DE), Parameter Control.en_US
dc.subjectOptimisation, Évolution Différentielle (DE), Contrôle des Paramètres.en_US
dc.titleBoosting the performance of Differential Evolution Metaheuristic.en_US
dc.typeThesisen_US
Appears in Collections:Computer science

Files in This Item:
File Description SizeFormat 
Boosting the performance of Differential Evolution Metaheuristic.pdf2,08 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.