Esta imagen (o todas las imágenes de este artículo o categoría) se ha subido en formato JPEG. Sin embargo, contiene información que podría almacenarse de forma más eficiente o exacta con formato PNG o SVG. Si es posible, suba una versión PNG o SVG de esta imagen sin artefactos de compresión que provenga de una fuente que no sea JPEG o a la que se le hayan eliminado los artefactos existentes. Tras hacerlo, por favor:
English: Performance landscape showing how basic Differential Evolution (DE) performs in aggregate on several benchmark problems when varying the two DE parameters NP and F, and keeping fixed CR=0.9. Lower meta-fitness values means better DE performance. Such a performance landscape is very time-consuming to compute, especially for optimizers with several behavioural parameters, but it can be searched efficiently using the simple meta-optimization approach by Pedersen implemented in SwarmOps to uncover DE parameters with good performance.
Fecha
Fuente
Trabajo propio
Autor
Pedersen, M.E.H., Tuning & Simplifying Heuristical Optimization, PhD Thesis, 2010, University of Southampton, School of Engineering Sciences, Computational Engineering and Design Group.
Licencia
Public domainPublic domainfalsefalse
Yo, el titular de los derechos de autor de esta obra, lo libero al dominio público. Esto aplica en todo el mundo. En algunos países esto puede no ser legalmente factible; si ello ocurriese: Concedo a cualquier persona el derecho de usar este trabajo para cualquier propósito, sin ningún tipo de condición al menos que éstas sean requeridas por la ley.
Leyendas
Añade una explicación corta acerca de lo que representa este archivo
{{Information |Description={{en|1=Performance landscape showing how basic Differential Evolution (DE) performs in aggregate on several benchmark problems when varying the two DE parameters NP and F, and keeping fixed CR=0.9. Lower meta-fitness values mean