Evolving Order and Chaos: Comparing Particle Swarm Optimization and Genetic Algorithms for Global Coordination of Cellular Automata
Portland State University(波特兰州立大学)
我们采用两种进化搜索算法:粒子群优化(PSO)和遗传算法(GAs)的设计细胞自动机(CA),可以执行计算任务,需要全局协调。特别是,我们比较了粒子群算法和遗传算法的搜索效率适用于密度分类问题和新一代的“混沌”CA。我们的工作还介绍了一个新的变种PSO,二进制全局-局部PSO(BGL-PSO)。
2019-09-08 cs.AI cs.NE
Analysis of Estimation of Distribution Algorithms and Genetic Algorithms on NK Landscapes
Missouri Estimation of Distribution Algorithms Laboratory (MEDAL)(密苏里分布估计算法实验室(MEDAL));Department of Mathematics and Computer Science(数学与计算机科学系);University of Missouri–St. Louis(密苏里大学圣路易斯分校)
本研究分析了几种遗传和进化算法在随机生成的NK适应度景观与不同的n和k值的性能。首先为每个n和k生成大量NK问题实例,并使用分支定界算法获得每个实例的全局最优解。接下来,分层贝叶斯优化算法(hBOA),单变量边际分布算法(UMDA),和简单的遗传算法(GA)均匀和两点交叉算子应用到所有生成的实例。然后对所有算法的性能进行了分析和比较,并对结果进行了讨论。
2008-01-21 cs.AI cs.NE
A Powerful Genetic Algorithm for Traveling Salesman Problem
Sun Yat-sen University(中山大学)
提出了一种求解旅行商问题的高效遗传算法。为了构建一个强大的GA,我使用边缘交换(ES)与局部搜索过程,以确定良好的组合的构建块的父解决方案,以产生更好的后代解决方案。在TSP基准上的实验结果表明,该算法在多达16,862个城市的实例中找到高质量的解决方案是有竞争力的。
2014-02-19 cs.AI cs.NE
From Understanding Genetic Drift to a Smart-Restart Parameter-less Compact Genetic Algorithm
École Polytechnique(巴黎综合理工学院);CNRS(法国国家科学研究中心);Institut Polytechnique de Paris(巴黎理工学院);Southern University of Science and Technology(南方科技大学);University of Science and Technology of China(中国科学技术大学)
针对分布估计算法中种群规模选择困难的问题,提出无参数紧凑遗传算法,通过智能重启机制自动适配规模并中止遗传漂变运行,在理论与实验上均证明其具备高效性与鲁棒性。
2021-06-09 cs.AI cs.NE
Genetic Algorithm for Constrained Molecular Inverse Design
Sejong University(世宗大学);Electronics and Telecommunications Research Institute(电子通信研究院)
当遗传算法找到近似解时,它适合于探索大的搜索空间。正是由于这一优点,遗传算法在探索分子搜索空间这样的广阔未知空间时是有效的。虽然该算法适用于搜索广阔的化学空间,但很难在保持分子结构的同时优化药理学性质。为了解决这个问题,我们引入了一个遗传算法具有约束的分子逆向设计。该算法成功地产生有效的分子交叉和变异。此外,它优化了特定的属性,同时坚持使用两阶段优化的结构约束。实验证明,我们的算法有效地找到满足特定性质的分子,同时保持结构约束。
2021-12-23 cs.AI cs.LG cs.NE
A Memory Optimized Data Structure for Binary Chromosomes in Genetic Algorithm
提出了一种基于元数据的存储优化数据结构,用于实现遗传算法中的二进制染色体。在GA中,根据问题域使用不同类型的基因型。其中,二进制基因型是最流行的一个非枚举编码,由于其代表性和计算简单。本文提出了一种内存优化的二进制基因型实现方法。该方法提高了记忆的利用率和保留等位基因的能力。数学证明已经被提供来建立相同的。
2021-02-24 cs.AI cs.NE
Evolving Evolutionary Algorithms using Linear Genetic Programming
Babes-Bolyai University(巴比什-波雅依大学)
提出了一种新的进化算法模型。该模型是基于线性遗传编程(LGP)技术。每个LGP染色体编码一个用于解决特定问题的EA。几个进化算法的函数优化,旅行商问题,二次分配问题的进化使用所考虑的模型。数值实验表明,进化算法执行类似的,有时甚至比几个著名的基准测试问题的标准方法更好。
2021-08-21 cs.AI cs.NE
Survey of Genetic and Differential Evolutionary Algorithm Approaches to Search Documents Based On Semantic Similarity
School of EECS, College of Engineering and Mines, University of North Dakota(电子工程与科学学院,工程与采矿学院,北达科塔大学)
本综述探讨了在海量数据中基于语义相似性搜索文档的挑战,重点总结了遗传算法与差分进化算法等进化计算方法在该领域的最新进展。
2025-07-15 cs.AI cs.NE
A genetic algorithm for autonomous navigation in partially observable domain
Moscow Institute of Physics and Technology(莫斯科物理技术学院)
自主导航问题是机器人学的基本问题之一。虽然,一般来说,当自主车辆被放置到部分可观察的域中时,这可能是具有挑战性的。本文考虑简单的环境模型,提出了一种基于学习分类器系统的导航算法。
2015-07-27 cs.AI cs.LG cs.NE
Exploration of RNA Editing and Design of Robust Genetic Algorithms
本文介绍了我们的计算方法,使用遗传算法(GA)探索RNA编辑的性质。这些模型是使用从RNA编辑系统中收集的几种基因编辑特征构建的,如在几种生物体中观察到的。我们扩展了传统的遗传算法与人工编辑机制,提出了(Rocha,1997)。编辑机制的引入为具有遗传描述的人工代理提供了一种手段,以获得更大的表型可塑性,这可能是环境调节的。我们对这些想法的第一次实现为RNA编辑的进化意义提供了一些线索。基于这些理解,我们展示了如何选择合适的RNA编辑器来设计更强大的遗传算法,结果将显示出有前途的应用到现实世界的问题。我们希望提出的框架将有助于确定RNA编辑在生物学中的进化作用,并推进遗传算法的研究现状。
2003-09-09 cs.AI cs.NE nlin.AO
Design a Technology Based on the Fusion of Genetic Algorithm, Neural network and Fuzzy logic
Technical Engineering College / Northern Technical University(北方技术大学技术工程学院)
本文描述了一种基于遗传算法、神经网络和模糊逻辑融合的人工智能原型技术的设计和开发。首先建立神经网络和模糊逻辑之间的关系。然后将遗传算法与它们结合起来。信息融合处于置信水平,其中可以报告和讨论匹配分数。这项技术被称为遗传神经模糊(GNF)。它可用于高精度实时环境。
2021-02-16 cs.AI
Generating extrema approximation of analytically incomputable functions through usage of parallel computer aided genetic algorithms
College of Computer Science and Business Administration in Lomza(沃姆扎计算机科学与工商管理学院)
介绍了利用遗传算法求解解析法无法求出的函数极值点的近似值的能力。为了提高计算效率,算法已被并行使用的OpenMP库。我们在使用多线程处理器和共享内存自由访问的平台上获得了速度的大幅提高。在分析过程中,我们对遗传算子进行了不同的修改,得到了势解的不同演化过程。结果允许选择最好的方法中的许多应用在遗传算法和约克菲尔德,布卢姆菲尔德,Westmere-EX和最近的桑迪桥核心加速度的观察。
2013-03-18 cs.AI
A Genetic Algorithm Based Approach for Satellite Autonomy
Manifold Computing;Georgia Institute of Technology(佐治亚理工学院);OpenMined
研究了基于进化算法的航天器自主机动规划问题。模拟航天器被放置在四个不同的初始轨道。每个人都被允许在六个方向上进行一系列30次delta-v脉冲机动,即正负x,y和z方向。航天器机动串的目标是,从某个非极地起始轨道开始,将航天器置于极地、低偏心率轨道。采用交配、适应度、变异和交叉策略实现了一种遗传算法。遗传算法能够成功地为所有的起始轨道产生这个结果。性能和未来的工作也进行了讨论。
2020-11-15 cs.AI cs.MA cs.NE
Currency exchange prediction using machine learning, genetic algorithms and technical analysis
Instituto de Telecomunicações(葡萄牙电信研究所);Instituto Superior Técnico, University of Lisbon(里斯本大学高等理工学院)
技术分析用于发现投资机会。为了验证这一假设,我们提出了一个混合系统,使用机器学习技术与遗传算法。使用技术分析,有更多的方法来表示货币兑换时间序列,而不是可以通过计算来测试的方法,即,搜索整个输入特征空间是不可行的,因此遗传算法是一种替代方案。在这项工作中,提出了一种自动特征选择的架构,使用遗传算法优化朴素贝叶斯模型的交叉验证性能估计。所提出的架构提高了未优化系统的投资回报率从0.43%到10.29%的验证集。采用t-分布随机邻域嵌入算法对所选特征和模型决策边界进行可视化。
2018-05-29 cs.AI cs.LG cs.NE
Genetic and Memetic Algorithm with Diversity Equilibrium based on Greedy Diversification
University of Granada(格拉纳达大学)
遗传算法种群多样性的缺乏可能导致遗传算子性能不佳,因为在探索和利用之间不存在平衡。在这些情况下,遗传算法呈现出快速和不合适的收敛。在本文中,我们开发了一种新的混合遗传算法,试图获得探索和开发之间的平衡。该算法利用贪心多样化算子解决了多样性问题。此外,该算法采用了父母和孩子之间的竞争,以开发高质量的访问解决方案。这些运营商是由一个简单的选择机制,旨在保护和利用人口的多样性。此外,我们将我们的建议扩展到模因算法领域,得到了一个改进的模型,在实践中取得了优异的成绩。实验研究表明,该方法的有效性,以及如何重要的是考虑到探索和开发的概念时,设计一个进化算法。
2017-02-12 cs.AI
Genetic Algorithms for multiple objective vehicle routing
Production and Operations Management Institute(生产与运营管理研究所);University of Hohenheim(霍恩海姆大学)
介绍了一种求解多目标优化问题的遗传算法的一般方法。一个特定的优势之间的关系的个人的人口被用来定义一个健身运营商,使遗传算法,甚至解决问题,有效的,但凸占主导地位的替代品。该算法在多语言计算机程序中实现,解决了多目标下带时间窗的车辆路径问题。该程序的图形用户界面显示了遗传算法的进展情况,并可以方便地修改该方法的主要参数。除此之外,该计划还为决策者提供了强大的决策支持。该软件已经证明了它的卓越的欧洲学术软件奖EASA的决赛,在牛津大学/英国Keble学院举行。
2008-09-02 cs.AI
On the Influence of Selection Operators on Performances in Cellular Genetic Algorithms
本文研究了选择压力对细胞遗传算法性能的影响。细胞遗传算法是一种将种群嵌入环形网格的遗传算法。这种结构使得到目前为止最好的个体的传播减慢,并允许在群体中保留潜在的好的解决方案。我们提出了两个选择性的压力降低策略,以减缓甚至更多的最佳解决方案的传播。我们实验这些策略上的硬优化问题,二次分配问题,我们表明,有一个值的控制参数为两者提供了最佳的性能。这个最优值不能仅仅用选择压力来解释,无论是用接管时间还是多样性进化来衡量。这项研究使我们得出结论,我们需要其他的工具,而不是唯一的选择性压力措施,以解释细胞遗传算法的性能。
2008-04-05 cs.AI
Genetic Algorithms for Extension Search in Default Logic
一个缺省理论可以用它的一组似是而非的结论来表征,称为它的扩展。但是,由于缺省逻辑(Sigma_2 p-完全)的理论复杂性,如果要处理非平凡的知识库,寻找这样的扩展是非常困难的。基于自然选择原理的遗传算法已成功地应用于组合优化问题,并在搜索空间大、无易处理算法的情况下得到了应用。本文的目的是表明,从遗传算法发出的技术可以用来建立一个有效的默认推理系统。在提供了一个正式的描述的组件所需的扩展搜索的基础上遗传算法原则,我们展示了一些实验结果。
2000-02-24 cs.AI cs.LO
Genetic algorithm for robotic telescope scheduling
Universidad de Granada(格拉纳达大学)
这项工作的灵感来自作者的经验与望远镜调度。作者长期的目标是开发和进一步扩展软件的自治天文台。该软件将为用户提供拍摄夜空科学图像所需的所有设施,与其他自主天文台合作,甚至更多。该作品展示了如何遗传算法可以用于调度的一个单一的天文台,以及网络的观测站。
2010-01-31 astro-ph.IM cs.AI
A molecular generative model with genetic algorithm and tree search for cancer samples
Gwangju Institute of Science and Technology(光州科学技术院)
个性化医疗有望通过根据患者的遗传特征进行治疗,最大限度地发挥预期的药物作用,并最大限度地减少副作用。因此,根据疾病的遗传特征生产药物非常重要,特别是在抗癌药物发现中。然而,这是具有挑战性的,因为巨大的化学空间和癌症性质的变化需要大量的时间资源来寻找合适的分子。因此,一个高效和快速的搜索方法,考虑到遗传图谱的从头抗癌药物的分子设计是必要的。在这里,我们提出了一个更快的分子生成模型与遗传算法和树搜索癌症样本(FasterGTS)。FasterGTS是用遗传算法和蒙特卡罗树搜索以及三个深度神经网络构建的:监督学习、自我训练和价值网络,它根据癌症样本的遗传图谱生成抗癌分子。与其他方法相比,FasterGTS在有限的采样次数内生成了具有抗癌药物所需一般化学性质的癌症样本特异性分子。我们预计FasterGTS有助于抗癌药物的产生。
2021-12-16 cs.AI cs.LG
A Novel Knowledge-Based Genetic Algorithm for Robot Path Planning in Complex Environments
University of Guelph(圭尔夫大学)
提出了一种新的基于知识的遗传算法用于非结构化复杂环境中移动机器人的路径规划,该算法设计了5个针对具体问题的算子,以实现高效的机器人路径规划。建议的遗传算法将机器人路径规划的领域知识纳入其专门的运营商,其中一些还结合了局部搜索技术。提出了一种独特而简单的机器人路径表示方法,并提出了一种简单而有效的路径评价方法,该方法能准确地检测出碰撞,并能很好地反映机器人路径的质量。该算法能够找到一个接近最优的机器人路径在静态和动态的复杂环境。仿真研究表明了该算法的有效性和效率。通过比较研究,证明了专用遗传算子在解决机器人路径规划问题的遗传算法中不可替代的作用。
2022-09-03 cs.AI cs.RO cs.SY