Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/7885
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΒραχάτης, Μιχαήλ-
dc.contributor.authorΕπιτροπάκης, Μιχαήλ-
dc.contributor.otherEpitropakis, Michael-
dc.date.accessioned2014-07-17T15:17:21Z-
dc.date.available2014-07-17T15:17:21Z-
dc.date.copyright2013-01-28-
dc.date.issued2014-07-17-
dc.identifier.urihttp://hdl.handle.net/10889/7885-
dc.description.abstractΗ παρούσα διατριβή ασχολείται με τη μελέτη, την ανάπτυξη και τη θεμελίωση νέων μεθόδων Υπολογιστικής Νοημοσύνης και Ευφυούς Βελτιστοποίησης. Συνοπτικά οργανώνεται στα ακόλουθα τρία μέρη: Αρχικά παρουσιάζεται το πεδίο της Υπολογιστικής Νοημοσύνης και πραγματοποιείται μία σύντομη αναφορά στους τρεις κύριους κλάδους της, τον Εξελικτικό Υπολογισμό, τα Τεχνητά Νευρωνικά Δίκτυα και τα Ασαφή Συστήματα. Το επόμενο μέρος αφιερώνεται στην παρουσίαση νέων, καινοτόμων οικογενειών των αλγορίθμων Βελτιστοποίησης Σμήνους Σωματιδίων (ΒΣΣ) και των Διαφοροεξελικτικών Αλγόριθμων (ΔΕΑ), για την επίλυση αριθμητικών προβλημάτων βελτιστοποίησης χωρίς περιορισμούς, έχοντας είτε ένα, είτε πολλαπλούς ολικούς βελτιστοποιητές. Οι αλγόριθμοι ΒΣΣ και ΔΕΑ αποτελούν τις βασικές μεθοδολογίες της παρούσας διατριβής. Όλες οι οικογένειες μεθόδων που προτείνονται, βασίζονται σε παρατηρήσεις των κοινών δομικών χαρακτηριστικών των ΒΣΣ και ΔΕΑ, ενώ η κάθε προτεινόμενη οικογένεια τις αξιοποιεί με διαφορετικό τρόπο, δημιουργώντας νέες, αποδοτικές μεθόδους με αρκετά ενδιαφέρουσες ιδιότητες και δυναμική. Η παρουσίαση του ερευνητικού έργου της διατριβής ολοκληρώνεται με το τρίτο μέρος στο οποίο περιλαμβάνεται μελέτη και ανάπτυξη μεθόδων ολικής βελτιστοποίησης για την εκπαίδευση Τεχνητών Νευρωνικών Δικτύων Υψηλής Τάξης, σε σειριακά και παράλληλα ή / και κατανεμημένα υπολογιστικά συστήματα. Η διδακτορική διατριβή ολοκληρώνεται με βασικά συμπεράσματα και τη συνεισφορά της.el
dc.language.isogrel
dc.relation.isformatofΗ ΒΚΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της.el
dc.rights12el
dc.subjectΟλική βελτιστοποίησηel
dc.subjectΕξελικτικός υπολογισμόςel
dc.subjectΥπολογιστική νοημοσύνηel
dc.subjectΔιαφοροεξελικτικοί αλγόριθμοιel
dc.subjectΒελτιστοποίηση σμήνους σωματιδίωνel
dc.subjectΕυφυής βελτιστοποίησηel
dc.subjectΧωρικοί τελεστές μετάλλαξηςel
dc.subjectΥψηλής τάξης τεχνητά νευρωνικά δίκτυαel
dc.subject.ddc006.3el
dc.titleΑνάπτυξη και θεμελίωση νέων μεθόδων υπολογιστικής νοημοσύνης, ευφυούς βελτιστοποίησης και εφαρμογέςel
dc.title.alternativeDevelopment and foundation of new methods of computational intelligence, intelligent optimization and applicationsel
dc.typeThesisel
dc.contributor.committeeΠλαγιανάκος, Βασίλειος-
dc.contributor.committeeΑλεβίζος, Παναγιώτης-
dc.contributor.committeeΑλεβίζος, Φίλλιπος-
dc.contributor.committeeΠιντέλας, Παναγιώτης-
dc.contributor.committeeΛυκοθανάσης, Σπυρίδων-
dc.contributor.committeeΑνδρουλάκης, Γεώργιος-
dc.description.translatedabstractThe main subject of the thesis at hand revolves mainly around the development and foundations of new methods of computational intelligence and intelligent optimization. The thesis is organized into the following three parts: Firstly, we briefly present an overview of the field of Computational Intelligence, by describing its main categories, the Evolutionary Computation, the Artificial Neural Networks and the Fuzzy Systems. In the second part, we provide a detailed description of the newly developed families of algorithms for solving unconstrained numerical optimization problems in continues spaces with at least one global optimum. The proposed families are based on two well-known and widely used algorithms, namely the Particle Swarm Optimization (PSO) and the Differential Evolution (DE) algorithm. Both DE and PSO are the basic components for almost all methodologies proposed in the thesis. The proposed methodologies are based on common observations of the dynamics, the structural and the spacial characteristics of DE and PSO algorithms. Four novel families are presented in this part which exploit the aforementioned characteristics of the DE and the PSO algorithms. The proposed methodologies are efficient methods with quite interesting properties and dynamics. The presentation and description of our research contribution ends with the third and last part of the thesis, which includes the study and the development of novel global optimization methodologies for training Higher order Artificial Neural Networks in serial and parallel / distributed computational environments. The thesis ends with a brief summary, conclusions and discussion of the contribution of this thesis.el
dc.subject.alternativeGlobal optimizationel
dc.subject.alternativeEvolutionary computationel
dc.subject.alternativeComputational intelligenceel
dc.subject.alternativeDifferential evolutionel
dc.subject.alternativeParticle swarm optimizationel
dc.subject.alternativeIntelligent optimizationel
dc.subject.alternativeProximity mutation strategiesel
dc.subject.alternativeHigher order artificial neural networksel
dc.degreeΔιδακτορική Διατριβήel
Appears in Collections:Τμήμα Μαθηματικών (ΔΔ)

Files in This Item:
File Description SizeFormat 
MGEpitropakisPhDFinal.pdf9.51 MBAdobe PDFView/Open


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