Application of Multi-core Parallel Programming to a Combination of Ant Colony Optimization and Genetic Algorithm
本文将蚁群算法与遗传编程算法相结合,对旅行商问题(NP-难)进行优化。然而,算法的复杂性需要相当多的计算时间和资源。并行实现可以减少计算时间。本文在并行化部分重点介绍了多核体系结构和多处理器系统,并利用Intel公司的OpenMP库实现了算法组合的多核并行化。
2014-11-05 cs.NE
From Cells to Islands: An unified Model of Cellular Parallel Genetic Algorithms
提出了一种用于细胞遗传算法(cGA)的各向异性选择方案。这种新的方案允许提高多样性和控制选择压力,这是遗传算法中的两个重要问题,特别是当试图解决困难的优化问题。通过改变选择的各向异性程度,可以将并行遗传算法从细胞模型转换为孤岛模型。性能和多样性的措施已执行一个著名的问题:二次分配问题,这是已知的是难以优化。实验表明,通过调整各向异性程度,可以在cGA和孤岛模型之间找到准确的折衷,从而优化并行进化算法的性能。这种折衷可以解释为并行遗传算法中各子种群间的适当迁移程度。
2008-03-29 cs.NE
Parallel and in-process compilation of individuals for genetic programming on GPU
在GPU硬件上实现遗传编程的三种方法是编译、解释和直接生成机器码。与其他两种方法相比,编译方法具有令人望而却步的开销。本文研究了在GPU硬件上加速遗传编程个体编译的方法。我们应用进程内编译,以尽量减少在每一代的编译开销,我们研究的方法来并行化进程内编译。进程内编译不适合琐碎的线程并行化,我们提出了一个多进程并行化使用内存共享和操作系统进程间通信原语。通过并行编译,我们进一步减少了编译开销。这项工作的另一个贡献是我们在C#中为实验构建的代码框架。该框架使得构建任意语法的遗传编程实验成为可能,这些实验在GPU上运行,只需最少的额外编码工作,并且可以作为开源提供。
2017-05-21 cs.NE
A Framework for Genetic Algorithms Based on Hadoop
遗传算法(GAs)是一种功能强大的元启发式算法,在实际应用中得到了广泛的应用。遗传算法的顺序执行在时间和资源上都需要相当大的计算能力。然而,GA是自然并行的,访问云这样的并行平台既简单又便宜。Apache Hadoop是可用于并行应用程序的常见服务之一。然而,如果不面对其内部工作原理,使用Hadoop开发GA的并行版本并不简单。尽管已经存在一些用于GA的顺序框架,但是没有支持可以并行执行的GA应用程序的开发的框架。在本文中描述了Hadoop平台上的并行遗传算法的框架,MapReduce的范式。这个框架的主要目的是允许用户专注于GA的特定于要解决的问题的方面,确保此任务将在云上正确执行并具有良好的性能。该框架还被用来开发一个应用程序的特征子集选择问题。开发的GA应用程序的性能的初步分析已经进行了使用三个数据集,表现出非常有前途的性能。
2013-12-15 cs.DC cs.NE
Heterogeneous Parallel Genetic Algorithm Paradigm
遗传算法的编码表示可以提高或阻碍其性能,尽管可以致力于操作符设计的照顾。不幸的是,一个有助于为任何问题找到合适编码的表示理论基础还没有变得成熟。此外,我们认为,这样一个性能最好的编码方案可以不同,即使是相同的问题的实例。在这方面的贡献,我们提出了异构并行遗传算法的基本原则,联邦的努力,许多编码表示,以有效地解决问题的手没有先验知识的最佳编码。
2019-05-16 cs.NE
Parallel genetic algorithm for planning safe and optimal route for ship
Saint-Petersburg State Marine Technical University(圣彼得堡国立海洋技术大学)
本文提出了一种算法,规划安全和最佳路线的运输设施,不受限制的运动方向,在有障碍物的区域内旅行。论文以船舶为例说明了这种运输设施的算法。本文还概述了该问题的几种现有解决方案。该方法采用进化算法来规划几个局部最优路线和并行遗传算法,以创建通过优化上述一组路线的最终路线。假设最优路径是具有最低到达时间的路径,则针对到达时间优化路径。也可以对路由应用附加限制。
2019-05-14 cs.AI cs.DC cs.NE
Exploiting Tournament Selection for Efficient Parallel Genetic Programming
遗传编程(GP)是一种计算密集型的技术,其本质上是并行的。因此,许多人尝试利用GPU等高度并行的硬件来改善其运行时间。然而,提高GP速度的第二种方法是通过诸如子树缓存之类的效率技术。然而,实现并行性能和效率是一项艰巨的任务。本文将展示一个效率节省GP兼容利用并行CPU硬件,利用比赛选择。显着的效率节省证明,同时保留了高性能并行执行GP的能力。事实上,GP的速度提高了74%,分类类型问题的峰值速率为960亿GPop/s。
2018-09-19 cs.NE
Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations
本文提出进化优化框架 Propulate,通过取消逐代同步并基于当前完整种群异步繁殖,实现面向 HPC 的大规模并行全局优化与超参数搜索,相较 Optuna 最高提速三个数量级且不损失精度。
2023-01-20 cs.DC cs.NE
Improving a Parallel C++ Intel AVX-512 SIMD Linear Genetic Programming Interpreter
University College London(伦敦大学学院)
利用MAGPIE优化C++线性遗传编程解释器,通过AVX-512 SIMD加速提升性能
2025-12-09 cs.NE
An Island-Based Parallel Biased Random-Key Genetic Algorithm for the Three-Dimensional Trailer Loading Problem
Intelligent Systems Department Gradiant Vigo, Spain(格拉迪安特智能系统部)
针对NP难的三维拖车装载问题,提出基于岛屿并行框架PANGEA加速的偏置随机密钥遗传算法,提升种群多样性、缓解早熟收敛并显著降低计算时间,经真实装载过程验证有效。
2026-10-01 cs.DC cs.NE math.OC
High-speed detection of emergent market clustering via an unsupervised parallel genetic algorithm
我们实现了一个主从并行遗传算法(PGA)与定制的对数似然适应度函数,以确定价格演变内的紧急集群。我们使用图形处理单元(GPU)来实现PGA,并使用不相交的最小生成树(MSTs)将结果可视化。我们证明,我们的GPU PGA,实现了商用通用GPU,能够恢复股票集群在次秒的速度,在南非市场的股票的子集的基础上。这是一个务实的选择,低成本,可扩展的并行计算,是显着快于原型串行实现优化的C为基础的第四代编程语言,虽然结果是不直接可比的,由于编译器的差异。结合快速在线日内相关矩阵估计从高频数据的聚类识别,建议的实现提供了成本效益,近实时的风险评估金融从业人员。
2015-08-02 cs.DC cs.NE q-fin.CP
Feature Selection with Evolving, Fast and Slow Using Two Parallel Genetic Algorithms
Istanbul Bilgi University(伊斯坦布尔比尔基大学);Tam Faktoring(塔姆保理公司);Istanbul Marmara University(伊斯坦布尔马尔马拉大学)
特征选择是机器学习中最具挑战性的问题之一,特别是在处理高维数据时。在本文中,我们解决的问题,特征选择,并提出了一种新的方法,称为进化快,慢。这种新方法是基于使用两个并行的遗传算法具有高和低的突变率,分别。进化的快与慢需要一种新的并行架构,将快速进化的自动系统和缓慢进化的努力系统结合起来。有了这个体系结构,探索和开发可以同时进行。具有高突变率的快速进化可用于利用长跳跃来探索搜索空间中的新未知位置;具有低突变率的缓慢进化可用于利用短移动来利用搜索空间中的先前已知位置。我们的实验表明,进化快和慢实现了非常好的结果,在准确性和功能消除。
2020-05-11 cs.AI cs.DC cs.NE
Toward Measuring the Scaling of Genetic Programming
创建了几个遗传编程系统,每个系统解决不同的问题。在这些系统中,计算出进化一个工作程序所需的代数G的中位数。随着问题难度的增加,观察到G的行为。在这些系统中,测量所有可能程序的全域中工作程序的密度D。对于两个类程序系统,G ~ 1/sqrt(D)关系式近似成立。对于并行系统(看起来像是多个独立的程序并行演化的系统),我们观察到关系G ~ 1/(nlnn)近似成立。最后,反平行的系统被认为是。
2011-02-13 cs.NE
New Optimization Approach Using Clustering-Based Parallel Genetic Algorithm
在许多全局优化问题中,需要在大的空间中计算全局点(最小点或最大点),这是非常高的计算工作量。本文提出了一种新的优化方法--细分标号法(SLM),但这种方法对于高维的优化问题计算量很大。基于遗传算法的并行遗传算法(CBPGA)在优化问题中的应用是解决这一问题的方法之一。初始种群是交叉点,每一步的细分都是根据变异进行的。在标记所有交叉点后,根据具有完整标记的多面体进行选择。在这种方法中,我们提出了一种算法,基于并行化方案,使用主从。利用CBPGA实现了SLM算法,并对实验结果进行了比较。数值算例和数值结果表明,SLMCBPGA算法在速度和效率上都有较大的提高.
2013-07-22 cs.NE math.OC
Triclustering of Gene Expression Microarray Data Using Coarse-Grained Parallel Genetic Algorithm
微阵列数据分析是计算生物学的主要研究领域之一。许多技术,如聚类,biclustering经常应用于微阵列数据提取有意义的结果,发挥关键作用,在实际的医疗保健事务,如疾病识别,药物发现等,但这些技术变得过时时,作为另一个因素被认为是在这样的数据进行评估。这一问题激发了对基因表达3D微阵列数据进行三聚类的研究。在这篇文章中,提出了一种新的方法的基础上粗粒度并行遗传方法来定位有意义的三聚体基因表达数据。结果是相当令人印象深刻的,因为它们是更有效的相比,传统的最先进的遗传方法,以前应用于三聚体的三维GCT微阵列数据。
2019-08-31 cs.NE q-bio.QM
Searching for Globally Optimal Functional Forms for Inter-Atomic Potentials Using Parallel Tempering and Genetic Programming
我们开发了一个基于遗传编程的方法,使发现新的功能形式的经典原子间力场,用于分子动力学模拟。与以前的努力在该领域中,只适合固定的函数形式的参数,我们而是使用一种新的算法来搜索许多可能的函数形式的空间。虽然后续的实际程序将使用实验和{ \it ab inito}数据来找到力场的最佳函数形式,但我们首先使用制造的解决方案来验证该方法。这种验证的优点是成功的度量标准定义明确。我们使用著名的Lennard-Jones原子间势制造了一组原子坐标数据的训练集,并使用一组相关的全局能量。我们进行了一个自动的功能形式拟合过程开始与人口的随机功能,使用遗传编程功能配方,和并行回火大都市为基础的优化算法。在100个处理器上搜索了几个小时并覆盖了配置空间的极小部分之后,我们的并行方法独立地发现了Lennard-Jones函数。我们发现,该方法适用于原子间势/力场的函数形式的无监督发现。我们还发现,我们的并行回火大都市为基础的方法显着提高了优化收敛时间,并充分利用了并行集群架构。
2006-08-18 cs.AI cs.NE
GGA-MG: Generative Genetic Algorithm for Music Generation
Media Engineering Faculty, Iran Broadcasting University(伊朗广播大学媒体工程学院)
音乐生成(MG)是一个有趣的研究课题,它将音乐艺术和人工智能(AI)联系起来。我们的目标是训练一个人工作曲家产生无限的,新鲜的,愉快的音乐作品。音乐有不同的部分,如旋律、和声和节奏。在本文中,我们提出了一个生成式遗传算法(GGA)自动产生一个旋律。主GGA使用长短期记忆(LSTM)递归神经网络作为目标函数,该网络应该由一系列从坏到好的旋律进行训练。这些旋律必须由另一个具有不同目标函数的GGA提供。CAMPINS的收藏提供了很好的旋律。我们也考虑了这部作品的节奏。实验结果清楚地表明,所提出的GGA方法是能够产生合格的旋律自然过渡和没有节奏错误。
2020-04-07 cs.AI cs.NE cs.SD
Multi-threaded Memory Efficient Crossover in C++ for Generational Genetic Programming
C++代码片段从多核并行存储器有效的交叉遗传编程。它们可以适用于单独的一代进化算法,其中大的染色体或小的RAM需要不超过M +(2倍nthreads)同时活跃的个人。
2020-09-22 cs.NE
JANUS: Parallel Tempered Genetic Algorithm Guided by Deep Neural Networks for Inverse Molecular Design
Stanford University(斯坦福大学);University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究所);Canadian Institute for Advanced Research(加拿大高级研究院)
逆分子设计,即,设计具有特定目标性质的分子可以被视为优化问题。自然科学中的高维优化任务通常通过基于种群的元启发式优化算法(如进化算法)来解决。然而,昂贵的性能评估,这是经常需要的,可以限制这种方法的广泛使用,因为相关的成本可能会变得令人望而却步。在这里,我们提出了JANUS,一个遗传算法的灵感来自并行回火。它传播两个种群,一个用于探索,另一个用于开发,通过减少昂贵的属性评估来改进优化。此外,JANUS还通过深度神经网络进行了增强,该网络通过主动学习来近似分子特性,以增强化学空间的采样。我们的方法使用SELFIES分子表示和STONED算法来高效生成结构,并在常见的逆分子设计任务中优于其他生成模型,从而实现最先进的性能。
2021-08-14 cs.AI cs.NE
Efficient Parallel Genetic Algorithm for Perturbed Substructure Optimization in Complex Network
本文首次提出GAPA框架,通过重构遗传操作和支持分布式并行加速,优化10种PSSO算法,在18个数据集上平均达到Evox的4倍加速。
2024-12-30 cs.NE cs.SI
Genetic Algorithms and Quantum Computation
近年来,研究人员将遗传算法应用于量子计算中的一些问题。另外,在基于量子理论概念和技术的遗传算法设计方面也有一些工作。所谓的量子进化规划有两个主要的子领域:量子启发遗传算法(QIGA)和量子遗传算法(QGA)。前者采用量子比特染色体作为表示,利用量子门搜索最优解。后者试图解决这一领域的一个关键问题:遗传算法在量子硬件上的实现是什么样子的?正如我们将看到的,这个问题没有一个完整的答案。量子遗传算法的一个重要方面是构建一个量子算法,该算法既利用了遗传算法和量子计算的并行性,又利用了量子计算机提供的真正随机性。在本文的第一部分中,我们提出了一个调查的主要工作在遗传算法加量子计算,也包括我们在这方面的工作。我们回顾了量子计算和遗传算法中的一些基本概念,强调了它们固有的并行性。接下来,我们将回顾遗传算法在量子算符学习和电路设计中的应用。然后,考虑量子进化规划。最后,我们提出了我们目前在这一领域的研究和一些展望。
2004-03-04 cs.NE
Reconfigurable Heterogeneous Parallel Island Models
异构并行岛模型(Heterogeneous Parallel Island Models,HePIM)在其岛中运行不同的生物启发算法(Bio-Inspired Algorithm,BA)。从各种通信拓扑结构和迁移策略微调同质PIM(HoPIM),在其所有岛屿上运行相同的BA,以前的工作介绍了HePIM,提供了有竞争力的质量解决方案,最适合BA在HoPIM。这项工作向前迈进了一步,保持了HePIM提供的种群多样性,并增加了它们的灵活性,允许在执行过程中对岛屿进行BA重新配置:根据它们的性能,岛屿可以在进化过程中动态地替换它们的BA。实验与引入的架构(RecHePIM)被施加到NP-hard问题的排序排列的逆转,使用四种不同的BA,即简单的遗传算法,双点交叉遗传算法,差分进化,和自调整粒子群优化。结果表明,新的可重构异构模型计算质量更好的解决方案比HePIM关闭与HoPIM运行最佳适应BA的差距。
2022-05-05 cs.DC cs.DM cs.NE
Scaling Genetic Programming for Source Code Modification
在基于搜索的软件工程中,遗传编程已被用于通过修改源代码来修复错误、提高性能和并行化程序。在将诸如遗传编程的演化计算算法应用于类似的代码操纵任务的情况下,真实世界软件的源代码的复杂性和大小造成了可扩展性问题。为了解决这个问题,我们打算检查如何软件工程的概念模块化,粒度和本地化的变化可以重新制定为额外的机制内的遗传编程算法。
2012-11-21 cs.NE cs.SE
Accelerating Genetic Programming using GPUs
IIT Madras(印度理工学院马德拉斯分校);NVIDIA Corporation(英伟达公司)
遗传编程(GP)是一种进化学习技术,在曲线拟合、数据建模、特征选择、分类等机器学习中有着广泛的应用。GP具有多个固有的并行步骤,是基于GPU的并行化的理想候选者。本文描述了一种基于GPU加速的堆栈的代GP算法的变体,该算法可用于符号回归和二进制分类。使用CUDA将分代GP算法的选择和评估步骤并行化。我们引入表示候选解决方案表达式作为前缀列表,这使得使用GPU内存中的固定长度堆栈进行评估。基于CUDA的矩阵向量运算也用于计算人口计划的适应度。我们在Pagie Polynomial的合成数据集上评估我们的算法(大小从$4096$到$16$百万点),使用其他标准符号回归库即gplearn,TensorGP和KarooGP分析我们算法的训练时间。此外,使用通常用于比较梯度提升算法的$6$大规模回归和分类数据集,我们在我们的算法和gplearn上运行性能基准测试,分析训练时间,测试精度和损失。在NVIDIA DGX-A100 GPU上,我们的算法优于之前列出的所有框架,特别是,分别在合成和大规模数据集上实现了$119\times$和$40\times$相对于gplearn的平均加速比。
2021-10-15 cs.AI cs.NE
A Trillion Genetic Programming Instructions per Second
我们总结了如何3.0 GHz的16核AVX 512计算机可以解释相当于平均高达1103370000000 GPop/s。引用现有的出版物。实现重点放在并行计算、带宽限制和避免重复计算上。信息论表明,在数字计算中,失败的中断传播提供了巨大的速度提升,因为FDP和增量评估可以用于减少表型收敛种群中的适应度评估时间。相反,FDP可能是进化停滞的原因。因此,更广泛的进化计算、人工生命、非传统计算和软件工程社区可能需要避免深度嵌套。
2022-05-06 cs.NE
Optimizing GoTools' Search Heuristics using Genetic Algorithms
GoTools是一个解决围棋中生死问题的程序。本文介绍了实验使用遗传算法优化启发式权重使用GoTools的树搜索。启发式权重的完整集合由不同的子组组成,每个子组可以用合适的适应度函数进行优化。作为一个有用的副产品,FreePascal的MPI接口被实现为允许使用在Beowulf集群上运行的并行适应度函数。本练习的目的是优化GoTools的当前版本,并使工具可用于准备GoTools的扩展,用于解决开放边界的生死问题,这将引入更多的启发式参数进行微调。
2003-02-02 cs.NE
Qualities, challenges and future of genetic algorithms: a literature review
遗传算法,一种模拟自然进化的计算机程序,越来越多地应用于许多学科。它们已被用于解决各种优化问题,从神经网络架构搜索到战略游戏,并对适应和学习现象进行建模。关于这种技术的质量和缺点的专业知识在很大程度上分散在文献中或以前,根据该领域的最新发展,激发了对这种知识的汇编。在这篇综述中,我们介绍了遗传算法,他们的质量,局限性和挑战,以及一些未来的发展前景。遗传算法能够探索可能的解决方案的大而复杂的空间,以快速定位有希望的元素,并提供适当的建模工具来描述进化系统,从游戏到经济。然而,他们遭受高计算成本,困难的参数配置,和关键的解决方案的代表性。最近的发展,如GPU,并行和量子计算,强大的参数控制方法的概念,以及新的方法在表示策略,可能是克服这些限制的关键。这一汇编审查的目的是通知从业者和新人在该领域都在他们的遗传算法研究,并在概述未来的研究有前途的途径。它突出了跨学科研究的潜力,将遗传算法与社会科学、开放式进化、人工生命和人工智能的原始发现联系起来。
2021-09-13 cs.DC cs.NE math.OC
A quantum genetic algorithm with quantum crossover and mutation operations
在字面意义上的进化量子计算的上下文中,迄今为止还没有引入量子交叉操作。在这里,我们介绍了一种新的量子遗传算法,它有一个量子交叉程序执行交叉之间的所有染色体并行每一代。复杂度分析表明,在处理每一代的运行时间的主导因素上,与经典算法相比,该算法实现了二次加速。
2013-11-22 cs.NE quant-ph
A theory of the phenomenology of multipopulation genetic algorithm with an application to the Ising model
遗传算法(Genetic Algorithm,GA)是一种随机的元启发式算法,它通过对给定优化问题的候选解的进化来实现。通过扩展,多种群遗传算法(MPGA)的目标是通过并行地进化多个种群或岛屿并定期在它们之间执行迁移来提高效率。岛屿之间的连通性限制了迁移的方向,并将MPGA描述为网络上的动态过程。因此,预测解的质量的演变是一个困难的挑战,这意味着当参数不足时浪费计算机资源和能量。通过使用来自统计力学的模型,这项工作的目的是估计方程的动态研究在MPGA的连接。为了说明理解MPGA的重要性,我们展示了它的应用程序作为一个有效的替代热化阶段的大都会黑斯廷斯算法应用到伊辛模型。
2018-06-05 cond-mat.stat-mech cs.NE
An Automatic Design Framework of Swarm Pattern Formation based on Multi-objective Genetic Programming
现有的群体模式形成方法大多依赖于预定义的基因调控网络(GRN)结构,需要设计者的先验知识,难以适应复杂多变的环境。为动态适应复杂多变的环境,提出了一种基于多目标遗传编程的群体模式形成自动设计框架。该框架不需要预先定义基于GRN的模型的结构,它应用一些基本的网络模体来自动构建基于GRN的模型。此外,多目标遗传编程(MOGP)与NSGA-II相结合,即MOGP-NSGA-II,以平衡基于GRN的模型的复杂性和准确性。在进化过程中,MOGP-NSGA-II和差分进化(DE)并行优化基于GRN的模型的结构和参数。仿真结果表明,该框架能够有效地演化出一些新的基于广义回归网络的模型,这些模型不仅结构简单、性能优良,而且对复杂多变的环境具有较强的鲁棒性。
2019-11-01 cs.NE
Epileptic Seizure Classification Using Combined Labels and a Genetic Algorithm
Ulster University(阿尔斯特大学);Monash University(莫纳什大学)
癫痫影响着全世界5000万人,是最常见的严重神经系统疾病之一。癫痫发作检测和分类是诊断和维持病情的宝贵工具。自动分类算法将允许准确的诊断。利用天普大学医院(TUH)癫痫发作语料库,比较了六种癫痫发作类型:失神、复杂部分、肌阵挛、简单部分、强直和强直-阵挛模型。本研究提出了一种方法,利用独特的功能与一种新的并行分类器-并行遗传朴素贝叶斯(NB)癫痫分类器(PGNBSC)。PGNBSC算法通过特征进行搜索,并通过每次对数据进行重新分类,该算法将创建一个用于最佳搜索标准的矩阵。发作状态从脑电图被分割成1.8秒的窗口,其中的历元,然后进一步分解成13个不同的功能,从第一本征模式函数(IMF)。在第一模型中使用原始NB分类器比较特征。在第二个模型中,通过使用具有NB分类器的遗传算法(二进制灰狼优化,选项1)来对此进行改进。第三个模型使用简单部分性发作和复杂部分性发作的组合,为三个模型中的六个发作中的每一个提供最高的分类准确度(第一、第二和第三个模型分别为20%、53%和85%)。
2022-04-28 cs.LG cs.NE eess.SP
Multiprocessor Scheduling For Tasks With Priority Using GA
多处理器已经成为运行实时应用程序的强大计算手段,特别是在单处理器系统不足以执行所有任务的情况下。多处理器的高性能和高可靠性使其成为一种强大的计算资源。这样的计算环境需要有效的算法来确定给定任务应该在何时以及在哪个处理器上执行。在多处理器系统中,一个有效的调度的并行程序到处理器上,最大限度地减少整个执行时间是至关重要的,以实现高性能。这个调度问题被称为NPHard。在多处理机调度问题中,给定的程序在给定的多处理机系统中被调度,使得程序的执行时间最小。最后一项工作必须尽早完成。遗传算法(Genetic Algorithm,GA)是求解约束优化问题的一种常用技术。遗传算法基本上是基于自然选择和自然发生机制的搜索算法。遗传算法研究的主要目标是鲁棒性,即效率和功效之间的平衡。本文提出了一种遗传算法来解决最小化制造时间的多处理机调度问题。
2010-01-12 cs.DC cs.NE
Evolving Dynamic Change and Exchange of Genotype Encoding in Genetic Algorithms for Difficult Optimization Problems
遗传算法(GAs)在组织中的许多优化问题的应用往往会导致良好的性能和高质量的解决方案。为了成功和有效地使用遗传算法,仅仅应用简单的遗传算法(SGAs)是不够的。此外,有必要找到一个适当的表示的问题,并开发适当的搜索算子,以及适合的基因型编码的属性。该表示必须至少能够编码的所有可能的解决方案的优化问题,和遗传算子,如交叉和变异应适用于it. In本文中,两个编码之间的串行交替策略制定的框架内的基因型编码的动态变化的遗传算法的功能优化。同样,困难的优化问题表示{ \it分裂和合并} GA(SM-GA)的一个新的变种的GA开发使用并行实现的SGA和发展的动态交换的背景下的双重编码概念的个人表示。数值实验表明,改进的SM-GA的性能明显优于静态单编码的SGA。
2008-03-29 cs.NE
Hybrid multi-objective evolutionary algorithms for service placement in the computing continuum: a comparative study with genetic traceability
University of the Balearic Islands(巴利阿里群岛大学)
研究计算连续体中多目标服务放置问题,采用协作混合岛模型MOEA,通过两个实验活动进行异构混合的系统应用与分析,结合多种指标评估,结果表明混合方法优于多数独立基线,各岛贡献不均,有效验证了混合合作。
2026-07-16 cs.DC cs.NE
Automated Configuration of Genetic Algorithms by Tuning for Anytime Performance
对于给定的优化问题,寻找算法超参数的最佳配置是演化计算的一个重要任务。在这项工作中,我们比较了四种不同的超参数调整方法的一个家庭的遗传算法的25个不同的伪布尔优化问题的结果。更确切地说,我们比较以前获得的结果,从网格搜索与三个自动配置技术:迭代赛车,混合整数并行高效全局优化,和混合整数进化策略。使用两个不同的成本度量,预期的运行时间和经验累积分布函数曲线下的面积,我们发现,在几种情况下,最好的配置相对于预期的运行时间时,使用经验累积分布函数曲线下的面积作为成本度量在配置过程中。我们的研究结果表明,即使在预期的运行时性能感兴趣,它可能是最好的配置任务使用随时性能措施。我们还观察到,调整预期的运行时间是更敏感的预算分配给目标算法。
2022-03-17 cs.NE
Biomimetic use of genetic algorithms
TELECOM-Paris(巴黎电信学院)
遗传算法被认为是一种解决问题的原始方法,可能是因为它们的通用性和它们的“盲目”性质。但是遗传算法也是不寻常的,因为许多实现的特征(在所有可以想到的实现中)主要是由生物学隐喻引导的,而效率测量只是在之后才介入。我们建议在这里检查这些仿生方面的相关性,通过指出一些基本的相似性和分歧之间的气体和生物基因组的自然选择塑造。其中一个主要的区别来自于这样一个事实,即遗传算法主要依赖于所谓的隐式并行,而给突变/选择机制的第二个角色。这种差异可能会提出新的方法,使用复杂的编码和从几乎同质的人群中使用遗传算法的复杂问题。
2011-08-21 cs.AI cs.NE q-bio.PE
Geiringer Theorems: From Population Genetics to Computational Intelligence, Memory Evolutive Systems and Hebbian Learning
经典的盖林格定理解决了重复应用交叉后各种等位基因出现的极限频率。它已被采用的进化算法的设置,最近,强化学习和蒙特卡罗树搜索方法,以应付一个相当具有挑战性的问题,在机会节点的行动评估。该定理激发了新的动态并行算法,明确描述在当前的文件中的第一次。该算法涉及独立的代理遍历一个动态构造的有向图,可能有循环。在过去的30年里,法国著名数学家安德烈·埃雷斯曼(Andree Ehresmann)教授和神经外科医生扬·保罗·范布雷梅尔施(Jan Paul Vanbremeersch)共同开发了一个关于生物神经网络中认知的非常优雅而深刻的范畴理论模型,为这种算法和赫布学习之间的联系提供了一个线索。
2013-05-11 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
An Implementation of Vector Quantization using the Genetic Algorithm Approach
机器学习(ML)和遗传编程(GP)在图像压缩领域的应用在许多情况下产生了有希望的结果。由于互联网上共享的数据量过大,因此需要进行压缩。文本、视频或图像需要压缩,这些内容几乎在网络上的任何地方都使用,无论是新闻文章、社交媒体帖子、博客、教育平台、医疗领域、政府服务和许多其他网站,都需要数据包进行传输,因此压缩是必要的,以避免淹没网络。本文讨论了图像压缩算法的一些实现,这些算法使用人工神经网络、残差学习、模糊神经网络、卷积神经网络、深度学习、遗传算法等技术。本文还介绍了一种矢量量化的实现,利用遗传算法生成码书,用于有损图像压缩。由于机器学习算法的高度并行和计算量大的性质,所有这些方法都被证明与处理图像的标准方法形成了鲜明的对比。ML和GP的这种非线性能力使其在多个领域中广泛流行。传统方法也与人工智能系统相结合,导致混合系统,以实现更好的结果。
2021-02-16 cs.MM cs.NE
Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems
HSE University(高等经济大学);Université du Québec à Montréal(魁北克大学蒙特利尔分校)
本文针对传统遗传算法过早收敛、缺乏问题知识及算子随机等缺陷,提出受遗传工程启发的GEA元启发式算法,并通过基准对比验证其优越性能。
2023-09-28 cs.AI cs.NE
Techniques for Inferring Context-Free Lindenmayer Systems With Genetic Algorithm
Lindenmayer系统(L-systems)是一种形式语法系统,其中最显着的特征是一组重写规则,用于并行替换字符串中的每个符号;通过重复这个过程,产生一个字符串序列。字符串中的一些符号可以被解释为用于仿真软件的指令。因此,序列可以用于对过程的步骤进行建模。目前,为特定过程创建L系统是由专家通过大量努力手工完成的。归纳推理问题试图从未知系统生成的字符串序列中推断出L系统;这可以被认为是从图像序列中推断的中间步骤。针对L-系统归纳推理问题,对不同的遗传算法编码方案和数学性质进行了评价和分析。在此基础上实现了一个新的工具--上下文无关L系统的对象模型推理工具PMIT-D 0 L。PMIT-D 0 L已经在28个已知的L系统上成功地进行了评估,其中字母表多达31个符号,并且在重写规则中总共有281个符号。PMIT-D 0 L甚至可以在几秒钟内推断出这些L系统中最大的一个。
2021-04-29 cs.NE
Stochastic Optimization Approaches for Solving Sudoku
本文采用了文化遗传算法(CGA)、排斥粒子群优化算法(RPSO)、量子模拟退火算法(QSA)和遗传算法与模拟退火算法相结合的混合算法(HGASA)等随机搜索技术来求解数独问题。结果表明,CGA、QSA和HGASA都能在28秒内解决数独问题,而QSA在65秒内找到答案,HGASA在1.447秒内找到答案。这主要是因为HGASA结合了GA的并行搜索和SA的灵活性。RPSO被发现无法解决这个难题。
2008-05-06 cs.NE
A Genetic Algorithm Approach for Solving a Flexible Job Shop Scheduling Problem
柔性作业车间调度作为一种有效的制造系统,已被注意到,以应付快速发展,在今天的竞争环境。柔性作业车间调度问题(FJSSP)是最优化领域中的一个NP难问题。考虑到现实世界的动态性,使得这个问题变得越来越复杂。FJSSP领域的大多数研究都只关注最小化总完工时间。本文建立了FJSSP的数学模型。目标函数是在满足一定约束条件下,使总利润最大化。随着时间的变化,原材料成本和销售价格以及每个时期的不同需求被认为是减少现实和模型之间的差距。一个生产气阀各种零件的制造商被用作案例研究。采用遗传算法(GA)解决了多部件、多周期、多工序的并行机调度问题。获得的最佳答案确定了属于每个零件的预定义操作的不同机器的经济生产量,以满足每个时期的客户需求。
2012-07-10 cs.NE math.OC
A Compact Self-organizing Cellular Automata-based Genetic Algorithm
University at Buffalo, State University of New York(纽约州立大学布法罗分校)
提出了一种遗传算法(GA),在该算法中,种群中的每一个成员只能根据一条规则与它的邻居改变模式。规则方法和邻域结构采用元胞自动机(CA)策略的元素。GA种群的每个成员被分配到一个单元格,并且根据预定义的规则,交叉仅发生在相邻单元格之间。虽然CA和GA方法的组合以前已经出现,在这里,我们依赖于CA固有的自组织功能,而不是并行性。这种概念上的转变将我们引向只包含少数成员的紧凑种群的进化。我们发现,由此产生的算法可以更有效地搜索设计空间比传统的GA策略,由于其能够利用突变在这个紧凑的自组织人口。因此,早熟收敛是避免和最终的结果往往是更准确的。为了增强算法的变异能力,提出了一种重新初始化策略。十个测试功能和两个基准结构工程桁架设计问题进行检查,以证明该方法的性能。
2007-11-15 cs.AI cs.NE
It is Time for New Perspectives on How to Fight Bloat in GP
University of Extremadura(埃斯特雷马杜拉大学);Cicese(墨西哥西北生态研究中心);Beacon Center(比肯中心);MSU(密歇根州立大学)
进化算法的现在和未来取决于现代并行和分布式计算基础设施的正确使用。虽然顺序方法仍然占主导地位的景观,可用的多核,众核和分布式系统将使用户和研究人员更频繁地部署并行版本的算法。在这种情况下,在对个人进行平行评价时节省时间方面出现了新的可能性。这种时间节省在遗传编程中尤其重要。本文研究了在并行/分布式系统中,计算时间不仅影响求解时间,而且可能影响种群中个体的规模演化,最终将减少GP特征的膨胀现象。本文在设计一种更自然的对抗肿胀的方法时,将时间和空间视为一枚硬币的两面。这种新的视角使我们能够理解,可以推导出控制膨胀的新方法,并描述和测试了这种方法的第一种。实验数据证实了这种方法的优势:使用计算时间作为个体复杂性的度量,可以控制遗传编程个体大小的增长。
2020-05-01 cs.AI cs.NE cs.SC
Solving the Uncapacitated Single Allocation p-Hub Median Problem on GPU
提出了一种在GPU集群上实现的并行遗传算法来求解无容量限制的单分配p-Hub中位数问题。GA使用二进制和整数编码和遗传算子适应这个问题。我们的遗传算法是通过产生初始解位于中间节点的枢纽。所获得的实验结果进行比较与最知名的解决方案的所有基准上的实例高达1000个节点。此外,我们解决了我们自己随机生成的多达6000个节点的实例。我们的方法在解决方案的质量和时间执行方面优于大多数知名的prostitics,它允许迄今未解决的问题得到解决。
2017-04-14 cs.DM cs.NE
An efficient genetic algorithm for large-scale transmit power control of dense industrial wireless networks
工业无线局域网(IWLAN)的密度越来越大,这不仅是因为无线应用已渗透到工厂和仓库,还因为对冗余的需求不断增加,以实现强大的无线覆盖。代替以最大发射功率对所有节点通电,大规模地控制所有无线节点的发射功率成为不可避免的挑战,以便减少干扰并使覆盖适应环境中的最新阴影效应。因此,本文提出了一种有效的遗传算法(GA)来解决这个发射功率控制(TPC)问题的密集的无线局域网,命名为GATPC。有效的人口初始化,交叉和变异,并行计算,以及专门的加速措施,以定制GATPC的大规模优化,这是内在的参与这个问题。与大多数覆盖相关的优化算法无法处理恶劣的工业室内环境中普遍存在的阴影效应相比,GATPC使用考虑三维障碍物阴影效应的经验单斜率路径损耗模型,以实现准确而简单的覆盖预测。在实际工业案例中的实验验证和数值实验表明,GATPC在超大规模的可扩展性,分辨率运行时高达37倍的加速,以及实现自适应覆盖和最小化干扰的解决方案质量方面具有良好的性能。
2017-08-12 cs.NE cs.NI
Surrogate Assisted Evolutionary Multi-objective Optimisation applied to a Pressure Swing Adsorption system
University of Johannesburg(约翰内斯堡大学);Sasol(萨索尔公司)
由于这些现实世界系统的复杂性,化工厂的设计和优化已被证明具有挑战性。由此产生的复杂性转化为这些系统的数学公式和仿真模型的高计算成本。研究已经说明了在优化期间使用机器学习代理模型作为计算昂贵的模型的替代品的好处。本文将最近的研究扩展到优化化工厂的设计和操作。这项研究进一步探讨了代理辅助遗传算法(SA-GA)在更复杂的变种的原始工厂设计和优化问题,如包括并行和反馈组件。在这项研究中,代理辅助NSGA- \Romannum{2}(SA-NSGA)的原始算法提出了新的扩展,进行了测试,一个流行的文献情况下,变压吸附(PSA)系统。我们进一步提供了广泛的实验,比较各种元启发式优化技术和众多的机器学习模型作为替代品。这两套系统的结果说明了使用遗传算法作为一个复杂的化工厂系统设计和优化的单目标和多目标方案的优化框架的好处。我们证实,随机森林代理辅助进化算法可以扩展到越来越复杂的化学系统的并行和反馈组件。我们进一步发现,结合遗传算法框架与机器学习代理模型作为长期运行的模拟模型的替代品产生显着的计算效率的提高,1.7 - 1.84倍的加速增加的复杂性的例子和2.7倍的加速变压吸附系统。
2022-03-28 cs.CE cs.LG cs.NE
A general Framework for Utilizing Metaheuristic Optimization for Sustainable Unrelated Parallel Machine Scheduling: A concise overview
North-West University(西北大学)
本文从可持续发展目标视角,探讨了遗传算法等元启发式优化方法在解决非同向并行机调度问题(UPMSP)中的应用,评估其在提升资源利用、降低能耗和环境影响等方面的有效性。
2023-09-14 cs.AI cs.NE
Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification
Faculty of Engineering & Information Technology, University of Technology Sydney(工程与信息科技学院,技术悉尼大学);Department of Civil and Architectural Engineering, Sultan Qaboos University(土木与建筑工程系,苏丹·卡布斯大学);University Research and Innovation Center (EKIK), Obuda University(研究与创新中心(EKIK),奥布达大学)
本文提出多群体集成遗传规划(MEGP),融合协同进化与多视角学习,分解特征空间并行进化,经softmax加权聚合基因输出,在八个数据集上优于基线GP,提升分类性能与可解释性。
2025-09-16 cs.AI cs.NE