语法引导遗传编程的分布算法估计
Pablo Ramos Criado1, D Barrios Rolanía2, David de la Hoz3
1Aturing Research, Salamanca, Spain pablo.ramos@aturing.com.
本研究介绍了语法引导遗传编程的平滑估计分布算法 (SEDA). 通过平衡探索和本地搜索来提高优化性能,SEDA增强了进化算法.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 计算智能是一种计算智能.
背景情况:
- 在语法指导基因编程 (GGP) 中,基因变异操作员在平衡探索和本地搜索方面面临挑战.
- 这种限制可能会阻碍进化算法在解决复杂的搜索和优化问题的效率.
研究的目的:
- 引入一种新的算法,即平滑估计分布算法 (SEDA),用于语法引导的遗传编程.
- 解决传统遗传编程变异运营商固有的勘探-开发权衡限制.
主要方法:
- 开发了一种针对GGP. 量身定制的分布算法 (EDA) 估计.
- 采用扩展的动态随机无上下文语法来建模从有前途的个体搜索空间分布.
- 在估计分布模型中引入了平滑技术,以增强探索性行为,定义了SEDA方法.
主要成果:
- 将SEDA与标准的基因编程交叉运营商和对挑战性问题的增量EDA进行比较.
- 在实现准确的解决方案方面,SEDA表现出卓越的性能.
- 拟议的SEDA实现了与其他方法相比的准确性,同时保持了中间的收速度.
结论:
- 流通算法 (SEDA) 的平滑估计有效地提高了语法引导遗传编程的性能.
- 对于探索和本地搜索,SEDA提供了一个平衡的方法,在优化任务中提供更准确的解决方案.
- 这项研究为进化计算和搜索优化方法提供了宝贵的进步.
更多相关视频
14:06Mapping Bacterial Functional Networks and Pathways in Escherichia Coli using Synthetic Genetic Arrays
Published on: November 12, 2012
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
相关概念视频
Distributions to Estimate Population Parameter
What is Population Genetics?
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Hardy-Weinberg Principle
Mutation, Gene Flow, and Genetic Drift
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
