Algorytmy mrowiskowe jako przykład wieloagentowych, ewolucyjnych systemów uczących się

• Autorzy: Tomasz Staś
• Języki publikacji: PL

Abstrakty

Obserwacja zachodzących w przyrodzie zjawisk może być cennym źródłem inspiracji również dla informatyków i specjalistów z zakresu zarządzania. Przykład może stanowić m.in. mechanizm porozumiewania się mrówek. Kolonie tych owadów charakteryzują się możliwością adaptacji do dynamicznie zmieniającego się otoczenia, w którym żyją. Uczą się, wykorzystując efekt synergii, kolektywnego współdziałania pojedynczych osobników (agentów) na rzecz całego mrowiska. W rozdziale zaprezentowano możliwości adaptacji wieloagentowego systemu mrowiskowego do rozwiązywania zagadnień optymalizacyjnych, znajdujących zastosowania we współczesnych organizacjach. (fragment tekstu)

Słowa kluczowe

PL

Zarządzanie; Zarządzanie wiedzą; Informatyka; Projektowanie systemów informatycznych; Systemy multiagentowe; Organizacje oparte na wiedzy; Symulacja wieloagentowa

EN

Management; Knowledge management; Information science; Information system design; Multi-agent system; Knowledge-based organisations; Multi-agent based simulation

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2015
• Tom: Technologie agentowe w organizacjach opartych na wiedzy
• Strony: 157--170

Twórcy

autor

Tomasz Staś

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Algorytmy genetyczne, ewolucyjne i metaheurystyki: wybrane zagadnienia. Informatyka w badaniach operacyjnych. Red. T. Trzaskalik. Prace naukowe Akademii Ekonomicznej w Katowicach, 2005.
• Badania operacyjne. Red. W. Sikora. PWE, Warszawa 2008.
• Boryczka M.: Programowanie mrowiskowe w procesie aproksymacji funkcji. Wydawnictwo Uniwersytetu Śląskiego, Katowice 2006.
• Boryczka U., Boryczka M.: Ewolucja w Systemach Mrówkowych. Instytut Informatyki Stosowanej, Uniwersytet Śląski, Katowice 1996.
• Boryczka U.: Algorytmy optymalizacji mrowiskowej. Wydawnictwo Uniwersytetu Śląskiego, Katowice 2006.
• Cheng S., et al.: Swarm Intelligence in Big Data Analytics. IDEAL2013. Springer-Verlag, Berlin, Heilderberg 2013.
• Cichosz P.: Systemy uczące się. WNT, Warszawa 2007.
• Dorigo M., Birattari M., Stutzle T.: Ant Colony Optimization, Artificial Ants as a Computational Intelligence Technique. Institut de Recherches Interdisciplinaires et de Développements en Intelligence Artificielle, Technical Report No. 2006-023. Université Libre de Bruxelles, 2006.
• Dorigo M., Gambardella L.M.: Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem. Université Libre de Bruxelle, Belgium 1996.
• Generowanie wiedzy dla przedsiębiorstwa: metody i techniki. Red. M. Nycz. Wydawnictwo Akademii Ekonomicznej im. Oskara Langego, Wrocław 2004.
• Goldberg D.: Algorytmy genetyczne i ich zastosowanie. WNT, Warszawa 2003.
• Jakubczyk J.A.: Identyfikacja i zastosowanie kontekstu w uczeniu z nadzorem. W: Pozyskiwanie wiedzy i zarządzanie wiedzą. Red. M. Nycz, M.L. Owoc. "Prace Naukowe Akademii Ekonomicznej we Wrocławiu", nr 1121. Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław 2006.
• Jindal R., Sharma S.D., Sharma M.: A New Technique to Increase the Working Performance of the Ant Colony Optimization Algorithm. "International Journal of Innovative Technology and Exploring Engineering (IJITEE)", Vol. 3, July 2013.
• Kaveh A., et al.: Structural Topology Optimization Using Ant Colony Methodology. "Engineering Structures", Vol. 30, Elsevier Ltd., 2008.
• Kempa A., Staś T.: Metody Inteligentne w Personalizacji. W: Studia i materiały Polskiego Stowarzyszenia Zarządzania Wiedzą. Zeszyt nr 13. Praca zbiorowa. Red. W. Bojar, Bydgoszcz 2008.
• Kempa A., Staś T.: Możliwości zastosowania metod inteligentnych na potrzeby tworzenia mechanizmów rekomendacji w e-administracji. W: Technologie wiedzy w zarządzaniu publicznym '07. Praca zbiorowa. Red. J. Gołuchowski, A. Frączkiewicz-Wronka. Wydawnictwo Akademii Ekonomicznej, Katowice 2008.
• Kohl N., Madsen O.: An Optimization Algorithm for the Vehicle Routing Problem with Time Window Based on Lagrangean Relaxation. Institute of Mathematical Modelling, The Technical University of Denmark, 1995.
• Kolb D.A.: Experimental Learning: Experiential as the Source of Learning and Development. Prencite-Hall, Englewood Cliffs 1984.
• Manfrin M., et ah: Parallel Ant Colony Optimization for the Traveling Salesman Problem. Proceedings of ANTS, Springer, 2006.
• Manner R" Manderick B.: Parallel Problem Solving from Nature. Elsevier Science Publishers, Amsterdam 1992.
• Massoodian S., Esteki A.: A Hybrid Genetic Algorithm for Curriculum Based Course Timetabling, The University of Isfahan. Isfahan 2008.
• Michalewicz Z.: Algorytmy genetyczne + struktury danych = programy ewolucyjne. WNT, Warszawa 1996.
• Nouyan S., et al.: An Insect-Based Algorithm for the Dynamic Task Allocation Problem. Kunstliche Intelligenz, Vol. 4/05, Trier 2005.
• Ruhana K.: Big Data Clustering Using Grid Computing and Ant Based Algorithm. Proceedings of the 4th International Conference on Computing and Informatics, ICOC1 2013, Sarawak 2013.
• Schwefel H.P., Manner R.: Parallel Problem Solving from Nature. 1st Workshop PPSN I Vol. 496 of Lecture Notes in Computer Science, Springer, Berlin 1990.
• Staś T.: Możliwości wykorzystania algorytmów ewolucyjnych w zadaniach obliczeniowo złożonych. W: Technologie wiedzy w zarządzaniu publicznym. Red. J. Gołuchowski. "Studia Ekonomiczne, Zeszyty Naukowe Wydziałowe", nr 99. Wydawnictwo UE, Katowice 2012.
• Staś T.: Perspektywy wykorzystania systemów ewolucyjnych na potrzeby doskonalenia portali korporacyjnych. W: Systemy Wspomagania Organizacji SWO'03. Praca zbiorowa. Red. T. Porębska-Miąc, H. Sroka. Wydawnictwo Akademii Ekonomicznej w Katowicach, 2003.
• Staś T.: Rola portalu korporacyjnego w organizacji uczącej się. W: Systemy Wspomagania Organizacji SWO'04. Praca zbiorowa. Red. T. Porębska-Miąc, H. Sroka. Wydawnictwa Akademii Ekonomicznej w Katowicach, 2004.
• Staś T.: Wykorzystanie technik ewolucyjnych w procesie nowoczesnej personalizacji portali internetowych. W: Studia i materiały Polskiego Stowarzyszenia Zarządzania Wiedzą. Praca zbiorowa. Red. W. Bojar. PSZW, Bydgoszcz 2007.
• Staś T.: Zastosowanie modyfikacji algorytmów mrowiskowych w procesie optymalizacji połączeń komunikacyjnych (Bus Routing Problem). W: Systemy Wspomagania Organizacji 2000. Praca zbiorowa. Red. J. Gołuchowski, H. Sroka. Wydawnictwo Akademii Ekonomicznej w Katowicach, 2000.
• Wang Y., et al.: A Load Balancing Model for Web Cache Proxy Based on Ant Colony Behavior. Proceedings of the 7th International Conference on Machine Learning and Cybernetics, Kunming 2008.