משתמש:OrenZuSha/אלגוריתם אבולוציוני

מתוך ויקיפדיה, האנציקלופדיה החופשית

  

באינטליגנציה חישובית (CI), אלגוריתם אבולוציוני ( EA ) הוא תת-קבוצה של חישוב אבולוציוני, [1] אלגוריתם אופטימיזציה מטאוריסטי גנרי המבוסס על אוכלוסייה.

אלגוריתמים אבולוציוניים (EA) משתמשים במנגנונים בהשראת האבולוציה הביולוגית, כמו רבייה, מוטציה, ריקומבינציה וברירה. פתרונות אפשריים לבעיית האופטימיזציה מקבילים ליחידים באוכלוסייה, ותפקוד הכושר קובע את איכות הפתרונות (ע"ע פונקציית הפסד). אבולוציה של האוכלוסייה מתרחשת לאחר יישום חוזר של המפעילים הנ"ל.

אלגוריתמים אבולוציוניים (EA) יעילים במציאת פתרונות משוערים איכותיים לבעיות מגוונות, כיוון שהם אינם מניחים הנחות מוקדמות לגבי תכונות הבעיה. טכניקות EA המשמשות למידול אבולוציה ביולוגית מתמקדות בדרך כלל בתהליכים אבולוציוניים בקנה מידה קטן ובמודלים מבוססי תאים. ברוב היישומים המעשיים, [2] מורכבות חישובית מהווה מגבלה משמעותית. מורכבות זו נובעת בעיקר מהערכת תפקודי הכושר. קירוב תפקודי הכושר הוא פתרון אפשרי להתגברות על קושי זה. עם זאת, EA פשוט יחסית יכולים לפתור בעיות מורכבות [3] [4] [5] , ולכן לא תמיד קיים קשר ישיר בין מורכבות האלגוריתם למורכבות הבעיה.

ניתן לראות באלגוריתמים אבולוציוניים הקבלה לשיטת מונטה-קרלו . [6]

יישום[עריכת קוד מקור | עריכה]

להלן דוגמה לאלגוריתם גנטי חד-אובייקטיבי גנרי.

שלב ראשון: יצירת האוכלוסייה הראשונית של פרטים באופן אקראי. (דור ראשון)

שלב שני: חזרה על שלבי ההתחדשות הבאים עד לסיום:

  1. הערכת הכושר של כל פרט באוכלוסייה (מגבלת זמן, כושר מספיק שהושג וכו')
  2. בחר את האנשים המתאימים ביותר לרבייה . (הורים)
  3. הרבו פרטים חדשים באמצעות פעולות הצלבה ומוטציות כדי להביא לעולם צאצאים .
  4. החלף את הפרטים החלשים יותר באוכלוסייה בפרטים חדשים וחזקים מספיק.

סוגים[עריכת קוד מקור | עריכה]

טכניקות דומות נבדלות זו מזו באופן ייצוג הגנים, בפרטי היישום ובסוג הבעיה הספציפית אליה הן מיושמות.

  • אלגוריתם גנטי - זהו הסוג הפופולרי ביותר של EA. מחפשים פתרון של בעיה בצורה של מחרוזות של מספרים (באופן מסורתי, אם כי הייצוגים הטובים ביותר הם בדרך כלל אלו המשקפים משהו לגבי הבעיה הנפתרת), [2] על ידי יישום אופרטורים כמו רקומבינציה ומוטציה (לעיתים אחת, לפעמים גם וגם). סוג זה של EA משמש לעתים קרובות בבעיות אופטימיזציה .
  • תכנות גנטי – כאן הפתרונות הם בצורת תוכנות מחשב, וכושרם נקבע על פי יכולתם לפתור בעיה חישובית. ישנן וריאנטים רבים של תכנות גנטי, כולל תכנות גנטי קרטזיאני, תכנות ביטוי גנים, אבולוציה דקדוקית, תכנות גנטי ליניארי, תכנות ריבוי ביטויים וכו '.
  • תכנות אבולוציוני - דומה לתכנות גנטי, אך מבנה התוכנית קבוע והפרמטרים המספריים שלה רשאים להתפתח.
  • אסטרטגיית אבולוציה - עובדת עם וקטורים של מספרים ממשיים כייצוגים של פתרונות, ובדרך כלל משתמשת בשיעורי מוטציות הסתגלות עצמית. השיטה משמשת בעיקר לאופטימיזציה מספרית, אם כי ישנן גם וריאנטים למשימות קומבינטוריות. [7] [8]
  • אבולוציה דיפרנציאלית - מבוססת על הבדלים וקטוריים ולכן מתאימה בעיקר לבעיות אופטימיזציה מספרית .
  • אלגוריתם קו-אבולוציוני - דומה לאלגוריתמים גנטיים ואסטרטגיות אבולוציה, אך הפתרונות שנוצרו מושווים על בסיס התוצאות שלהם מאינטראקציות עם פתרונות אחרים. פתרונות יכולים להתחרות או לשתף פעולה במהלך תהליך החיפוש. אלגוריתמים קו-אבולוציוניים משמשים לעתים קרובות בתרחישים שבהם נוף הכושר הוא דינמי, מורכב או כרוך באינטראקציות תחרותיות. [9] [10]
  • Neuroevolution - דומה לתכנות גנטי אך הגנום מייצג רשתות עצביות מלאכותיות על ידי תיאור מבנה ומשקולות חיבור. קידוד הגנום יכול להיות ישיר או עקיף.
  • מערכת מסווגים לומדת - כאן הפתרון הוא קבוצה של מסווגים (כללים או תנאים). מישיגן-LCS מתפתח ברמה של מסווגים בודדים ואילו פיטסבורג-LCS משתמש באוכלוסיות של קבוצות מסווגות. בתחילה, המסווגים היו רק בינאריים, אך כעת כוללים סוגי ביטוי אמיתיים, נטו עצביים או S. כושר נקבע בדרך כלל עם למידה של חיזוק מבוסס כוח או דיוק או גישת למידה מפוקחת .
  • אלגוריתמי איכות-גיוון – אלגוריתמי QD מכוונים בו זמנית לפתרונות איכותיים ומגוונים. שלא כמו אלגוריתמי אופטימיזציה מסורתיים המתמקדים אך ורק במציאת הפתרון הטוב ביותר לבעיה, אלגוריתמי QD חוקרים מגוון רחב של פתרונות על פני מרחב בעיה ושומרים על אלו שאינם רק בעלי ביצועים גבוהים, אלא גם מגוונים וייחודיים. [11] [12] [13]

רקע תיאורטי[עריכת קוד מקור | עריכה]

העקרונות התיאורטיים הבאים חלים על כל או כמעט כל EAs.

"אין ארוחת צהריים חינם"[עריכת קוד מקור | עריכה]

משפט האופטימיזציה ללא ארוחת צהריים חופשית קובע שכל אסטרטגיות האופטימיזציה יעילות באותה מידה כאשר מתחשבים בקבוצת כל בעיות האופטימיזציה. באותו מצב, שום אלגוריתם אבולוציוני אינו טוב יותר מהאחר. זה יכול להיות המקרה רק אם קבוצת כל הבעיות מוגבלת. זה בדיוק מה שנעשה בהכרח בפועל. לכן, כדי לשפר EA, עליו לנצל ידע בעיה בצורה כלשהי (למשל על ידי בחירת חוזק מוטציה מסוים או קידוד מותאם לבעיה ). לפיכך, אם משווים שני EAs, אילוץ זה משתמע. בנוסף, EA יכול להשתמש בידע ספציפי לבעיה על ידי, למשל, לא ליצור באופן אקראי את כל אוכלוסיית ההתחלה, אלא ליצור כמה אנשים באמצעות היוריסטיות או הליכים אחרים. [14] [15] אפשרות נוספת להתאים EA לתחום בעיה נתון היא לשלב היוריסטיות מתאימות, נהלי חיפוש מקומיים או הליכים אחרים הקשורים לבעיה בתהליך יצירת הצאצאים. צורה זו של הרחבה של EA ידועה גם בתור אלגוריתם ממטי . שתי ההרחבות ממלאות תפקיד מרכזי ביישומים מעשיים, מכיוון שהן יכולות להאיץ את תהליך החיפוש ולהפוך אותו לחזק יותר. [14] [16]

הִתכַּנְסוּת[עריכת קוד מקור | עריכה]

  1. ^ Vikhar, P. A. (2016). "Evolutionary algorithms: A critical review and its future prospects". 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). Jalgaon. pp. 261–265. doi:10.1109/ICGTSPICC.2016.7955308. ISBN 978-1-5090-0467-6.
  2. ^ 1 2 Cohoon, J; et al. (2002-11-26). Evolutionary algorithms for the physical design of VLSI circuits (PDF). Advances in Evolutionary Computing: Theory and Applications. Springer, pp. 683-712, 2003. ISBN 978-3-540-43330-9.
  3. ^ Slowik, Adam; Kwasnicka, Halina (2020). "Evolutionary algorithms and their applications to engineering problems". Neural Computing and Applications (באנגלית). 32 (16): 12363–12379. doi:10.1007/s00521-020-04832-8. ISSN 0941-0643.
  4. ^ Mika, Marek; Waligóra, Grzegorz; Węglarz, Jan (2011). "Modelling and solving grid resource allocation problem with network resources for workflow applications". Journal of Scheduling (באנגלית). 14 (3): 291–306. doi:10.1007/s10951-009-0158-0. ISSN 1094-6136.
  5. ^ "International Conference on the Applications of Evolutionary Computation". The conference is part of the Evo* series. The conference proceedings are published by Springer. נבדק ב-2022-12-23.
  6. ^ Ashlock, D. (2006). Evolutionary Computation for Modeling and Optimization. Deutschland: Springer New York. Page 491, https://books.google.de/books?id=kz0rofjQrwYC&pg=PA491
  7. ^ Nissen, Volker; Krause, Matthias (1994), "Constrained Combinatorial Optimization with an Evolution Strategy", in Reusch, Bernd (ed.), Fuzzy Logik, Informatik aktuell (באנגלית), Berlin, Heidelberg: Springer, pp. 33–40, doi:10.1007/978-3-642-79386-8_5, ISBN 978-3-642-79386-8
  8. ^ Coelho, V. N.; Coelho, I. M.; Souza, M. J. F.; Oliveira, T. A.; Cota, L. P.; Haddad, M. N.; Mladenovic, N.; Silva, R. C. P.; Guimarães, F. G. (2016). "Hybrid Self-Adaptive Evolution Strategies Guided by Neighborhood Structures for Combinatorial Optimization Problems". Evol Comput. 24 (4): 637–666. doi:10.1162/EVCO_a_00187. PMID 27258842.
  9. ^ Ma, Xiaoliang; Li, Xiaodong; Zhang, Qingfu; Tang, Ke; Liang, Zhengping; Xie, Weixin; Zhu, Zexuan (2019), "A Survey on Cooperative Co-Evolutionary Algorithms.", IEEE Transactions on Evolutionary Computation, 23 (3): 421–441, doi:10.1109/TEVC.2018.2868770, נבדק ב-2023-05-22
  10. ^ Popovici, Elena; Bucci, Anthony; Wiegand, R. Paul; De Jong, Edwin D. (2012). "Coevolutionary Principles". In Rozenberg, Grzegorz; Bäck, Thomas; Kok, Joost N. (eds.). Handbook of Natural Computing (באנגלית). Berlin, Heidelberg: Springer Berlin Heidelberg. pp. 987–1033. doi:10.1007/978-3-540-92910-9_31. ISBN 978-3-540-92910-9.
  11. ^ Pugh, Justin K.; Soros, Lisa B.; Stanley, Kenneth O. (2016-07-12). "Quality Diversity: A New Frontier for Evolutionary Computation". Frontiers in Robotics and AI. 3. doi:10.3389/frobt.2016.00040. ISSN 2296-9144.
  12. ^ Lehman, Joel; Stanley, Kenneth O. (2011-07-12). "Evolving a diversity of virtual creatures through novelty search and local competition". Proceedings of the 13th annual conference on Genetic and evolutionary computation. New York, NY, USA: ACM. pp. 211–218. doi:10.1145/2001576.2001606. ISBN 9781450305570.
  13. ^ Cully, Antoine; Clune, Jeff; Tarapore, Danesh; Mouret, Jean-Baptiste (2015-05-27). "Robots that can adapt like animals". Nature. 521 (7553): 503–507. arXiv:1407.3501. Bibcode:2015Natur.521..503C. doi:10.1038/nature14422. ISSN 0028-0836. PMID 26017452.
  14. ^ 1 2 Davis, Lawrence (1991). Handbook of genetic algorithms. New York: Van Nostrand Reinhold. ISBN 0-442-00173-8. OCLC 23081440.
  15. ^ Lienig, Jens; Brandt, Holger (1994), Davidor, Yuval; Schwefel, Hans-Paul; Männer, Reinhard (eds.), "An evolutionary algorithm for the routing of multi-chip modules", Parallel Problem Solving from Nature — PPSN III, Berlin, Heidelberg: Springer, 866: 588–597, doi:10.1007/3-540-58484-6_301, ISBN 978-3-540-58484-1, נבדק ב-2022-10-18
  16. ^ Neri, Ferrante; Cotta, Carlos; Moscato, Pablo, eds. (2012). Handbook of Memetic Algorithms. Studies in Computational Intelligence (באנגלית). Vol. 379. Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-23247-3. ISBN 978-3-642-23246-6.

עבור EAs שבהם, בנוסף לצאצאים, לפחות הפרט הטוב ביותר של דור ההורים משמש ליצירת הדור הבא (מה שנקרא EAs אליטיסטי), יש הוכחה כללית להתכנסות בתנאי שקיים אופטימום . ללא אובדן כלליות, ההנחה היא חיפוש מקסימלי עבור ההוכחה:

מהקניין של קבלת צאצאים אליטיסטיים וקיומו של האופטימום נובע כי לדור שיפור בכושר של הפרט הטוב ביותר בהתאמה יתרחש בהסתברות . לכן:

כלומר, ערכי הכושר מייצגים רצף שאינו פוחת באופן מונוטוני, אשר מוגבל עקב קיומו של האופטימום. מכאן נובעת ההתכנסות של הרצף מול האופטימום.

מכיוון שההוכחה אינה אומרת על מהירות ההתכנסות, היא מועילה מעט ביישומים מעשיים של EAs. אבל זה כן מצדיק את ההמלצה להשתמש ב-EAs אליטיסטי. עם זאת, כאשר משתמשים במודל האוכלוסייה הפאנמיקטי הרגיל, EAs אליטיסטיים נוטים להתכנס בטרם עת יותר מאלה שאינם אליטיסטיים. [1] במודל אוכלוסייה פאנמיקטי, בחירת בני זוג (שלב 2 בסעיף על יישום) היא כזו שכל פרט באוכלוסיה כולה כשיר כבן זוג. באוכלוסיות שאינן פנמיקטיות, הבחירה מוגבלת במידה מתאימה, כך שמהירות הפיזור של פרטים טובים יותר מצטמצמת בהשוואה לאלו הפנמיקטיים. לפיכך, ניתן להפחית באופן משמעותי את הסיכון הכללי להתכנסות מוקדמת של EAs אליטיסטי על ידי מודלים מתאימים של אוכלוסיה המגבילים את בחירת בני הזוג. [2] [3]

אלפבית וירטואלי[עריכת קוד מקור | עריכה]

עם התיאוריה של אלפבית וירטואלי, דיוויד א' גולדברג הראה ב-1990 שעל ידי שימוש בייצוג עם מספרים ממשיים, EA שמשתמש באופרטורים של ריקומבינציה קלאסית (למשל הצלבה אחידה או n-נקודתית) לא יכול להגיע לאזורים מסוימים במרחב החיפוש, לעומת זאת. לקידוד עם מספרים בינאריים. [4] כתוצאה מכך, ההמלצה עבור EAs עם ייצוג אמיתי להשתמש באופרטורים אריתמטיים עבור ריקומבינציה (למשל ממוצע אריתמטי או רקומבינציה ביניים). עם אופרטורים מתאימים, ייצוגים בעלי ערך אמיתי יעילים יותר מאלו בינאריים, בניגוד לדעה הקודמת. [5] [6]

השוואה לתהליכים ביולוגיים[עריכת קוד מקור | עריכה]

מגבלה אפשרית </link> של אלגוריתמים אבולוציוניים רבים הוא היעדר הבחנה ברורה בין גנוטיפ לפנוטיפ . בטבע, תא הביצית המופרית עובר תהליך מורכב המכונה embryogensis כדי להפוך לפנוטיפ בוגר. מאמינים שקידוד עקיף זה הופך את החיפוש הגנטי לחזק יותר (כלומר מפחית את ההסתברות למוטציות קטלניות), וגם עשוי לשפר את יכולת ההתפתחות של האורגניזם. [7] [8] קידודים עקיפים כאלה (הידועים גם כיצירתיים או התפתחותיים) מאפשרים לאבולוציה לנצל את הסדירות בסביבה. [9] עבודות אחרונות בתחום העובר המלאכותי, או מערכות התפתחותיות מלאכותיות, מבקשות לתת מענה לחששות אלה. ותכנות ביטוי גנים חוקר בהצלחה מערכת גנוטיפ-פנוטיפ, שבה הגנוטיפ מורכב מכרומוזומים מולטיגנים ליניאריים באורך קבוע והפנוטיפ מורכב ממספר עצי ביטוי או תוכנות מחשב בגדלים וצורות שונות. [10] [ <span title="The material near this tag may be based upon an improper synthesis of sources. (May 2013)">סינתזה לא נכונה?</span> ]

יישומים[עריכת קוד מקור | עריכה]

התחומים שבהם נעשה שימוש מעשי באלגוריתמים אבולוציוניים הם כמעט בלתי מוגבלים [11] ונעים בין תעשייה, [12] [13] הנדסה, [14] [15] [16] תזמון מורכב, [17] [18] [19] חקלאות, [20] תכנון תנועת רובוט [21] ומימון [22] [23] למחקר [24] [25] ואמנות . היישום של אלגוריתם אבולוציוני מצריך חשיבה מחודשת מהמשתמש הלא מנוסה, שכן הגישה למשימה באמצעות EA שונה משיטות מדויקות קונבנציונליות ולרוב זו אינה חלק מתכנית הלימודים של מהנדסים או דיסציפלינות אחרות. לדוגמה, חישוב הכושר חייב לא רק לגבש את המטרה אלא גם לתמוך בתהליך החיפוש האבולוציוני לקראתה, למשל על ידי תגמול שיפורים שעדיין לא מובילים להערכה טובה יותר של קריטריוני האיכות המקוריים. לדוגמה, אם יש להימנע מניצול שיא של משאבים כגון פריסת כוח אדם או צריכת אנרגיה במשימת תזמון, אין זה מספיק להעריך את הניצול המקסימלי. במקום זאת, יש לרשום גם את מספר ומשך החריגות מרמה שעדיין מקובלת על מנת לתגמל הפחתות מתחת לערך השיא המרבי בפועל. [26] לכן יש כמה פרסומים שמכוונים למתחילים ורוצים לעזור להימנע מטעויות של מתחילים וכן להוביל פרויקט יישום להצלחה. [26] [27] [28] זה כולל הבהרת השאלה הבסיסית מתי יש להשתמש ב-EA כדי לפתור בעיה ומתי עדיף שלא.

טכניקות קשורות[עריכת קוד מקור | עריכה]

אלגוריתמים של נחיל  כולל:

  • אופטימיזציה של מושבת נמלים מבוססת על הרעיונות של חיפוש מזון של נמלים באמצעות תקשורת פרומונים כדי ליצור נתיבים. [29] מתאים בעיקר לאופטימיזציה קומבינטורית ולבעיות גרפים .
  • אלגוריתם הרצים-שורש (RRA) שואב השראה מתפקודם של רצים ושורשים של צמחים בטבע. [30]
  • אלגוריתם מושבות דבורים מלאכותיות מבוסס על התנהגות חיפוש מזון של דבורים. מוצע בעיקר לאופטימיזציה מספרית והורחב לפתרון בעיות אופטימיזציה קומבינטורית, מוגבלת ורב-אובייקטיבית.
  • אלגוריתם הדבורים מבוסס על התנהגות של דבורי דבש. זה יושם ביישומים רבים כגון ניתוב ותזמון.
  • חיפוש הקוקייה נעשה בהשראת הטפילות המגררת של מיני הקוקייה . הוא גם משתמש בטיסות Lévy, ולכן הוא מתאים לבעיות אופטימיזציה גלובליות.
  • אופטימיזציה של נחיל חלקיקים מבוססת על הרעיונות של התנהגות נהירת בעלי חיים. [29] מתאים בעיקר לבעיות אופטימיזציה מספרית .

שיטות מטאוריסטיות אחרות המבוססות על אוכלוסייה[עריכת קוד מקור | עריכה]

  • חיפוש ציד – שיטה בהשראת ציד קבוצתי של בעלי חיים מסוימים, כגון זאבים, המארגנים את עמדתם להקיף את הטרף, כל אחד מהם ביחס לעמדה של האחרים ובעיקר לעמדה של מנהיגם. זוהי שיטת אופטימיזציה מתמשכת [31] המותאמת כשיטת אופטימיזציה קומבינטורית. [32]
  • חיפוש ממדי אדפטיבי - בניגוד לטכניקות מטאיוריסטיות בהשראת הטבע, אלגוריתם חיפוש ממדי אדפטיבי אינו מיישם שום מטאפורה כעיקרון בסיס. במקום זאת היא משתמשת בשיטה פשוטה מכוונת ביצועים, המבוססת על עדכון פרמטר יחס הממדיות של החיפוש (SDR) בכל איטרציה. [33]
  • אלגוריתם גחליליות שואב השראה מהתנהגותם של גחליליות, מושכים זה את זה על ידי אור מהבהב. זה שימושי במיוחד עבור אופטימיזציה רב-מודאלית.
  • חיפוש הרמוניה – מבוסס על רעיונות ההתנהגות של מוזיקאים בחיפוש אחר הרמוניות טובות יותר. אלגוריתם זה מתאים לאופטימיזציה קומבינטורית כמו גם אופטימיזציה של פרמטרים.
  • התאמה גאוסית - מבוססת על תורת המידע. משמש למקסום של תפוקת ייצור, כושר ממוצע או מידע ממוצע . ראה למשל אנטרופיה בתרמודינמיקה ותורת המידע .
  • אלגוריתם ממטי – שיטה היברידית, בהשראת הרעיון של מם של ריצ'רד דוקינס, היא בדרך כלל לובש צורה של אלגוריתם מבוסס אוכלוסיה יחד עם נהלי למידה בודדים המסוגלים לבצע חידודים מקומיים. שם דגש על ניצול ידע ספציפי לבעיה ומנסה לתזמר חיפוש מקומי וגלובלי בצורה סינרגטית.

דוגמאות[עריכת קוד מקור | עריכה]

בשנת 2020, גוגל הצהירה כי AutoML-Zero שלהם יכול לגלות בהצלחה מחדש אלגוריתמים קלאסיים כמו הרעיון של רשתות עצביות. [34]

הדמיות המחשב Tierra ו- Avida מנסות לדמות דינמיקה מאקרו-אבולוציונית .

גלריה[עריכת קוד מקור | עריכה]

[35] [36] [37]

  • A two-population EA search over a constrained Rosenbrock function with bounded global optimum
    חיפוש EA של שתי אוכלוסיות עלפונקציית רוזנברוקמוגבלת עם אופטימום גלובלי מוגבל
  • A two-population EA search over a constrained Rosenbrock function. Global optimum is not bounded.
    חיפוש EA של שתי אוכלוסיות עלפונקציית רוזנברוקמוגבלת. האופטימום הגלובלי אינו מוגבל.
  • Estimation of distribution algorithm over Keane's function
    אומדן אלגוריתם הפצהעלהפונקציה של קין
  • A two-population EA search of a bounded optima of Simionescu's function
    חיפוש EA של שתי אוכלוסיות של אופטימיות מוגבלות שלהפונקציה של סימוניסקו

הפניות[עריכת קוד מקור | עריכה]

קישורים חיצוניים[עריכת קוד מקור | עריכה]

בִּיבּלִיוֹגְרָפִיָה[עריכת קוד מקור | עריכה]

[[קטגוריה:אבולוציה]] [[קטגוריה:דפים עם תרגומים שלא נסקרו]]

  1. ^ Leung, Yee; Gao, Yong; Xu, Zong-Ben (1997). "Degree of population diversity - a perspective on premature convergence in genetic algorithms and its Markov chain analysis". IEEE Transactions on Neural Networks. 8 (5): 1165–1176. doi:10.1109/72.623217. ISSN 1045-9227. PMID 18255718.
  2. ^ Gorges-Schleuter, Martina (1998), Eiben, Agoston E.; Bäck, Thomas; Schoenauer, Marc; Schwefel, Hans-Paul (eds.), "A comparative study of global and local selection in evolution strategies", Parallel Problem Solving from Nature — PPSN V, Lecture Notes in Computer Science, Berlin, Heidelberg: Springer Berlin Heidelberg, 1498: 367–377, doi:10.1007/bfb0056879, ISBN 978-3-540-65078-2, נבדק ב-2022-10-21
  3. ^ Dorronsoro, Bernabe; Alba, Enrique (2008). Cellular Genetic Algorithms. Operations Research/Computer Science Interfaces Series. Vol. 42. Boston, MA: Springer US. doi:10.1007/978-0-387-77610-1. ISBN 978-0-387-77609-5.
  4. ^ Goldberg, David E. (1990), Schwefel, Hans-Paul; Männer, Reinhard (eds.), "The theory of virtual alphabets", Parallel Problem Solving from Nature, Lecture Notes in Computer Science (באנגלית), Berlin/Heidelberg: Springer-Verlag (פורסם ב-1991), 496: 13–22, doi:10.1007/bfb0029726, ISBN 978-3-540-54148-6, נבדק ב-2022-10-22
  5. ^ Stender, J.; Hillebrand, E.; Kingdon, J. (1994). Genetic algorithms in optimisation, simulation, and modelling. Amsterdam: IOS Press. ISBN 90-5199-180-0. OCLC 47216370.
  6. ^ Michalewicz, Zbigniew (1996). Genetic Algorithms + Data Structures = Evolution Programs (3rd ed.). Berlin Heidelberg: Springer. ISBN 978-3-662-03315-9. OCLC 851375253.
  7. ^ G.S. Hornby and J.B. Pollack. "Creating high-level components with a generative representation for body-brain evolution". Artificial Life, 8(3):223–246, 2002.
  8. ^ Jeff Clune, Benjamin Beckmann, Charles Ofria, and Robert Pennock. "Evolving Coordinated Quadruped Gaits with the HyperNEAT Generative Encoding" (אורכב 03.06.2016 בארכיון Wayback Machine). Proceedings of the IEEE Congress on Evolutionary Computing Special Section on Evolutionary Robotics, 2009. Trondheim, Norway.
  9. ^ J. Clune, C. Ofria, and R. T. Pennock, "How a generative encoding fares as problem-regularity decreases", in PPSN (G. Rudolph, T. Jansen, S. M. Lucas, C. Poloni, and N. Beume, eds.), vol. 5199 of Lecture Notes in Computer Science, pp. 358–367, Springer, 2008.
  10. ^ Ferreira, C., 2001. "Gene Expression Programming: A New Adaptive Algorithm for Solving Problems". Complex Systems, Vol. 13, issue 2: 87–129.
  11. ^ "International Conference on the Applications of Evolutionary Computation". The conference is part of the Evo* series. The conference proceedings are published by Springer. נבדק ב-2022-12-23.
  12. ^ Sanchez, Ernesto; Squillero, Giovanni; Tonda, Alberto (2012). Industrial Applications of Evolutionary Algorithms. Intelligent Systems Reference Library. Vol. 34. Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-27467-1. ISBN 978-3-642-27466-4.
  13. ^ Miettinen, Kaisa (1999). Evolutionary algorithms in engineering and computer science : recent advances in genetic algorithms, evolution strategies, evolutionary programming, genetic programming, and industrial applications (באנגלית). Chichester: Wiley and Sons. ISBN 0-585-29445-3. OCLC 45728460.
  14. ^ Cohoon, J; et al. (2002-11-26). Evolutionary algorithms for the physical design of VLSI circuits (PDF). Advances in Evolutionary Computing: Theory and Applications. Springer, pp. 683-712, 2003. ISBN 978-3-540-43330-9.
  15. ^ Slowik, Adam; Kwasnicka, Halina (2020). "Evolutionary algorithms and their applications to engineering problems". Neural Computing and Applications (באנגלית). 32 (16): 12363–12379. doi:10.1007/s00521-020-04832-8. ISSN 0941-0643.
  16. ^ Gen, Mitsuo; Cheng, Runwei (1999-12-17). Genetic Algorithms and Engineering Optimization. Wiley Series in Engineering Design and Automation (באנגלית). Hoboken, NJ, USA: John Wiley & Sons, Inc. doi:10.1002/9780470172261. ISBN 978-0-470-17226-1.
  17. ^ Mika, Marek; Waligóra, Grzegorz; Węglarz, Jan (2011). "Modelling and solving grid resource allocation problem with network resources for workflow applications". Journal of Scheduling (באנגלית). 14 (3): 291–306. doi:10.1007/s10951-009-0158-0. ISSN 1094-6136.
  18. ^ Dahal, Keshav P.; Tan, Kay Chen; Cowling, Peter I. (2007). Evolutionary scheduling (באנגלית). Berlin: Springer. doi:10.1007/978-3-540-48584-1. ISBN 978-3-540-48584-1. OCLC 184984689.
  19. ^ Jakob, Wilfried; Strack, Sylvia; Quinte, Alexander; Bengel, Günther; Stucky, Karl-Uwe; Süß, Wolfgang (2013-04-22). "Fast Rescheduling of Multiple Workflows to Constrained Heterogeneous Resources Using Multi-Criteria Memetic Computing". Algorithms (באנגלית). 6 (2): 245–277. doi:10.3390/a6020245. ISSN 1999-4893.
  20. ^ Mayer, David G. (2002). Evolutionary Algorithms and Agricultural Systems. Boston, MA: Springer US. doi:10.1007/978-1-4615-1717-7. ISBN 978-1-4613-5693-6.
  21. ^ Blume, Christian (2000), Cagnoni, Stefano (ed.), "Optimized Collision Free Robot Move Statement Generation by the Evolutionary Software GLEAM", Real-World Applications of Evolutionary Computing, LNCS 1803 (באנגלית), Berlin, Heidelberg: Springer, 1803: 330–341, doi:10.1007/3-540-45561-2_32, ISBN 978-3-540-67353-8, נבדק ב-2022-12-28
  22. ^ Aranha, Claus; Iba, Hitoshi (2008), Wobcke, Wayne; Zhang, Mengjie (eds.), "Application of a Memetic Algorithm to the Portfolio Optimization Problem", AI 2008: Advances in Artificial Intelligence, Lecture Notes in Computer Science, Berlin, Heidelberg: Springer Berlin Heidelberg, 5360: 512–521, doi:10.1007/978-3-540-89378-3_52, ISBN 978-3-540-89377-6, נבדק ב-2022-12-23
  23. ^ Chen, Shu-Heng, ed. (2002). Evolutionary Computation in Economics and Finance. Studies in Fuzziness and Soft Computing. Vol. 100. Heidelberg: Physica-Verlag HD. doi:10.1007/978-3-7908-1784-3. ISBN 978-3-7908-2512-1.
  24. ^ Lohn, J.D.; Linden, D.S.; Hornby, G.S.; Kraus, W.F. (ביוני 2004). "Evolutionary design of an X-band antenna for NASA's Space Technology 5 mission". IEEE Antennas and Propagation Society Symposium, 2004. Vol. 3. pp. 2313–2316 Vol.3. doi:10.1109/APS.2004.1331834. hdl:2060/20030067398. ISBN 0-7803-8302-8. {{cite book}}: (עזרה)
  25. ^ Fogel, Gary; Corne, David (2003). Evolutionary Computation in Bioinformatics (באנגלית). Elsevier. doi:10.1016/b978-1-55860-797-2.x5000-8. ISBN 978-1-55860-797-2.
  26. ^ 1 2 Jakob, Wilfried (2021), Applying Evolutionary Algorithms Successfully - A Guide Gained from Realworld Applications, KIT Scientific Working Papers, vol. 170, Karlsruhe, FRG: KIT Scientific Publishing, arXiv:2107.11300, doi:10.5445/IR/1000135763, נבדק ב-2022-12-23
  27. ^ Whitley, Darrell (2001). "An overview of evolutionary algorithms: practical issues and common pitfalls". Information and Software Technology (באנגלית). 43 (14): 817–831. doi:10.1016/S0950-5849(01)00188-4.
  28. ^ Eiben, A.E.; Smith, J.E. (2015). "Working with Evolutionary Algorithms". Introduction to Evolutionary Computing. Natural Computing Series (באנגלית) (2nd ed.). Berlin, Heidelberg: Springer Berlin Heidelberg. pp. 147–163. doi:10.1007/978-3-662-44874-8. ISBN 978-3-662-44873-1.
  29. ^ 1 2 Slowik, Adam; Kwasnicka, Halina (2018). "Nature Inspired Methods and Their Industry Applications—Swarm Intelligence Algorithms". IEEE Transactions on Industrial Informatics. Institute of Electrical and Electronics Engineers (IEEE). 14 (3): 1004–1015. doi:10.1109/tii.2017.2786782. ISSN 1551-3203.
  30. ^ F. Merrikh-Bayat, "The runner-root algorithm: A metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature", Applied Soft Computing, Vol. 33, pp. 292–303, 2015
  31. ^ Oftadeh, R.; Mahjoob, M.J.; Shariatpanahi, M. (באוקטובר 2010). "A novel meta-heuristic optimization algorithm inspired by group hunting of animals: Hunting search". Computers & Mathematics with Applications. 60 (7): 2087–2098. doi:10.1016/j.camwa.2010.07.049. {{cite journal}}: (עזרה)
  32. ^ Amine Agharghor; Mohammed Essaid Riffi (2017). "First Adaptation of Hunting Search Algorithm for the Quadratic Assignment Problem". Europe and MENA Cooperation Advances in Information and Communication Technologies. Advances in Intelligent Systems and Computing. Vol. 520. pp. 263–267. doi:10.1007/978-3-319-46568-5_27. ISBN 978-3-319-46567-8.
  33. ^ Hasançebi, O., Kazemzadeh Azad, S. (2015), "Adaptive Dimensional Search: A New Metaheuristic Algorithm for Discrete Truss Sizing Optimization", Computers and Structures, 154, 1–16.
  34. ^ Gent, Edd (13 באפריל 2020). "Artificial intelligence is evolving all by itself". Science | AAAS (באנגלית). ארכיון מ-16 באפריל 2020. נבדק ב-16 באפריל 2020. {{cite news}}: (עזרה)
  35. ^ Simionescu, P.A.; Dozier, G.V.; Wainwright, R.L. (2006). "A Two-Population Evolutionary Algorithm for Constrained Optimization Problems". 2006 IEEE International Conference on Evolutionary Computation. Vancouver, BC, Canada: IEEE. pp. 1647–1653. doi:10.1109/CEC.2006.1688506. ISBN 978-0-7803-9487-2.
  36. ^ Simionescu, P.A.; Dozier, G.V.; Wainwright, R.L. (2006). "A Two-Population Evolutionary Algorithm for Constrained Optimization Problems" (PDF). 2006 IEEE International Conference on Evolutionary Computation. Proc 2006 IEEE International Conference on Evolutionary Computation. Vancouver, Canada. pp. 1647–1653. doi:10.1109/CEC.2006.1688506. ISBN 0-7803-9487-9. נבדק ב-7 בינואר 2017. {{cite book}}: (עזרה)
  37. ^ Simionescu, P.A. (2014). Computer Aided Graphing and Simulation Tools for AutoCAD Users (1st ed.). Boca Raton, FL: CRC Press. ISBN 978-1-4822-5290-3.
אוחזר מתוך "https://he.wikipedia.org/w/index.php?title=משתמש:OrenZuSha/אלגוריתם_אבולוציוני&oldid=38147794"