Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.17648/sbai-2019-111272
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!Com o avanço da tecnologia e com o desenvolvimento de metaheurísticas, que buscam soluções inspiradas em comportamentos encontrados na natureza, surgem algoritmos que podem solucionar tais problemas. Um destes algoritmos é o Mean-Variance Mapping Optimization, o qual originalmente opera sobre uma única solução mas possui uma variante híbrida, baseada em inteligência de partículas que incorpora busca local e estratégias de recombinação de múltiplos pais, e se enquadram na classe de algoritmos de Evolução Diferencial, um método evolucionário que mostrou-se competitivo na otimização de problemas práticos, mas que é sensível ao ajuste dos parâmetros de controle. Para evitar o ajuste dos parâmetros de controle surgiram os algoritmos com parâmetros adaptativos. Este artigo propõe uma variante do algoritmo Mean-Variance Mapping Optimization com tamanho populacional adaptativo e seu desempenho é analisado em um problema de otimização de um filtro ativo de segunda ordem.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo