It is easy to create parallel genetic algorithm software with master-slave type paralelization on a cluster of workstations. In a real situation the probability of errors in communication or in some of the slave processes during a long calculation is significant.In this paper we deal with different error handling strategies in master-slave type paralelization of standard GA algorithms and show results of test calculations. Our simulations are close to real applications in the sense that we examine the best achieved objective function value at a fixed wall clock time with different error handling strategies depending on the probability of errors and number of processors. Using these results we make suggestions on the selection of a good error handling method in different optimization problems

At present there is much effort to determine if emerging information processing devices could have a positive impact on the performance of non-Boolean/non-von Neumann computer architectures. We explore this topic here by specifically considering how emerging transistor technologies might impact cellular neural networks (CNNs). For CNNs, prior work suggests that new transistor structures could be employed to better facilitate non-binary outputs - that in turn reduce the number of template/programming operations as well as the hardware paths needed to solve a given problem. Here, we present analysis that considers how the above approach could impact the performance/energy of the cells that comprise the CNN. We also consider how characteristics of other emerging transistor technologies could positively impact CNNs - particularly with respect to reduced program complexity.

Az Intelligens Közlekedési Rendszerek (ITS) dinamikusan fejlődő és széles körben kutatott terület manapság. Nagyon szerteágazó tudományterület, amelynek fontos része a forgalmi dinamika elemzés, forgalomszámlálás és a forgalomi előrejelzések. Ebben a cikkben egy adaptív forgalomi statisztika generáló eljárást mutatunk be. A módszer álló megfigyelő szemszögéből készült videófelvételeken YOLOv7 objektumdetektorral detektálja a közlekedő járműveket és azonosítja azok kategóriáját. A videószekvenciákon elvégzett detektálásokat az általunk bemutatott módszer DeepSort követő algoritmus segítségével kapcsolja össze, aminek eredményeként előállnak az elhaladó járművek trajektóriái. A trajektóriák klaszterekbe sorolását OPTICS clustering eljárással végezzük el, aminek paraméterezésével szabályozzuk a létrejövő statisztika részletességét, ezáltal lehetővé válik akár utca-finomságú vagy sávszintű forgalmi adatok generálása ugyanabból a felvételből. Jelen cikkünkben négy különböző helyszínen készült felvételen teszteltük az eljárásunkat, aminek eredményeként nemcsak az egyes irányok tetszőleges felbontású forgalmi statisztikáit állíthatjuk elő, hanem azok időszakok szerinti és útirány szerinti normalizáltjait is. A normalizált statisztikai adatok megmutatják a forgalom szempontjából frekventált időszakokat és útvonalakat. A cikk végén gyakorlati hasznosíthatóságra irányuló példákon keresztül mutatjuk be a módszer teljesítőképességét.