Обучаемая модель эволюции - Learnable evolution model

В обучаемая модель эволюции (LEM) не-Дарвиновский методология для эволюционные вычисления что нанимает машинное обучение направлять поколение новых людей (варианты решения проблемы ). В отличие от стандартных методов эволюционных вычислений дарвиновского типа, которые используют случайные или полуслучайные операторы для генерации новых индивидов (например, мутации и / или рекомбинации ), LEM использует операторы генерации гипотез и создания экземпляров.

В генерация гипотез оператор применяет программу машинного обучения, чтобы вызвать описания, позволяющие различатьфитнес и люди с низкой физической подготовкой в ​​каждом последующем численность населения. Такие описания очерчивают области в пространство поиска которые, скорее всего, содержат желаемые решения. Впоследствии оператор создания экземпляров делает выборку из этих областей для создания новых индивидуумов. ЛЭМ был изменен из области оптимизации в область классификации с помощью расширенного LEM с ID3 (февраль 2013 г., М. Элемам Шехаб, К. Бадран, М. Заки и Гауда И. Салама).

Избранные ссылки

• Cervone, P .; Franzese (январь 2010 г.), «Машинное обучение для обнаружения источников атмосферных выбросов», Труды 8-й конференции по применению искусственного интеллекта в науке об окружающей среде, Код J1.7
• Wojtusiak, J .; Михальский, Р. С. (8–12 июля 2006 г.), "Реализация обучаемой модели эволюции LEM3 и ее тестирование на сложных задачах оптимизации функций", Труды конференции по генетическим и эволюционным вычислениям, GECCO 2006, Сиэтл, Вашингтон: 1281, CiteSeerX  10.1.1.72.2298, Дои:10.1145/1143997.1144197, ISBN  978-1595931863
• Войтусяк, Дж. (8–12 июля 2006 г.), "Первоначальное исследование решения задач оптимизации с ограничениями в обучаемой модели эволюции", Материалы семинара для аспирантов на конференции по генетическим и эволюционным вычислениям, GECCO 2006
• Jourdan, L .; Corne, D .; Savic, D .; Уолтерс, Г. (2005), «Предварительное исследование« обучаемой модели эволюции »для более быстрого / лучшего проектирования многокритериальных водных систем», Труды Третьей Междунар. Конференция по эволюционной многокритериальной оптимизации, EMO'05, Конспект лекций по информатике, 3410: 841–855, CiteSeerX  10.1.1.73.9653, Дои:10.1007/978-3-540-31880-4_58, ISBN  978-3-540-24983-2
• Доманский, П. А .; Яшар, Д .; Кауфман, К .; Михальский, Р. С. (апрель 2004 г.), «Оптимизированная конструкция испарителей с ребристыми трубами с использованием обучаемой модели эволюции», Международный журнал исследований в области отопления, вентиляции, кондиционирования и охлаждения, 10: 201–211
• Кауфман, К .; Михальски, Р. С. (2000), "Применение обучаемой модели эволюции к конструкции теплообменника", Материалы семнадцатой национальной конференции по искусственному интеллекту (AAAI-2000) и двенадцатой ежегодной конференции по инновационным приложениям искусственного интеллекта (IAAI-2000): 1014–1019
• Cervone, G .; Michalski, R. S .; Кауфман, К. А. (июль 2000 г.), "Экспериментальные подтверждения обучаемой модели эволюции", 2000 Конгресс по эволюционным вычислениям: 1064–1071
• Михальски, Р. С. (2000), "ИЗУЧАЕМЫЕ ЭВОЛЮЦИОННЫЕ МОДЕЛИ Эволюционные процессы, управляемые машинным обучением", Машинное обучение, 38: 9–40, Дои:10.1023 / А: 1007677805582
• Михальский, Р.С. (11–13 июня 1998 г.), "Обучаемая эволюция: сочетание символического и эволюционного обучения", Материалы Четвертого международного семинара по мультистратегическому обучению (MSL'98): 14–20
• Х. Яр, М. (11–13 июня 2016 г.), «Обзор эволюционных вычислений: методы и их приложения в технике», Мод. Appl. Наука: 14–20