Naučitelný evoluční model - Learnable evolution model

tento článek případně obsahuje původní výzkum. Prosím vylepši to podle ověřování vznesené nároky a přidání vložené citace. Výroky sestávající pouze z původního výzkumu by měly být odstraněny. (Září 2007) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)

The učitelný model evoluce (LEM) je non-Darwinovský metodika pro evoluční výpočet který zaměstnává strojové učení vést generaci nových jednotlivců (řešení problémů kandidátů ). Na rozdíl od standardních evolučních výpočetních metod darwinovského typu, které používají generování náhodných nebo polonáhodných operátorů k vytváření nových jedinců (například mutace a / nebo rekombinace ), LEM využívá operátory generování hypotéz a instancí.

The generování hypotéz operátor použije program strojového učení k vyvolání popisů, které rozlišují mezizdatnost a jednotlivci s nízkou kondicí v každém po sobě jdoucím populace. Takové popisy vymezují oblasti v hledat prostor které s největší pravděpodobností obsahují požadovaná řešení. Následně operátor instance tyto oblasti vzorkuje a vytvoří nové jedince. LEM byl upraven z optimalizační domény na klasifikační doménu rozšířeným LEM s ID3 (únor 2013 M. Elemam Shehab, K. Badran, M. Zaki a Gouda I. Salama).

Vybrané reference

• Cervone, P .; Franzese (leden 2010), „Strojové učení pro detekci zdrojů atmosférických emisí“, Sborník příspěvků z 8. konference o aplikacích umělé inteligence pro vědu o životním prostředí, kód J1.7
• Wojtusiak, J .; Michalski, R. S. (8. – 12. Července 2006), „Implementace modelu LEM3 modelu Learnable Evolution a jeho testování na problémy s optimalizací složitých funkcí“, Sborník konferencí o genetických a evolučních výpočtech, GECCO 2006, Seattle, WA: 1281, CiteSeerX  10.1.1.72.2298, doi:10.1145/1143997.1144197, ISBN  978-1595931863
• Wojtusiak, J. (8. – 12. Července 2006), „Počáteční studie řešení omezených optimalizačních problémů v modelu zjistitelné evoluce“, Proceedings of the Graduate Student Workshop at Genetic and Evolutionary Computation Conference, GECCO 2006
• Jourdan, L .; Corne, D .; Savic, D .; Walters, G. (2005), „Předběžné zkoumání„ modelu zjistitelné evoluce “pro rychlejší / lepší design víceobjektivních vodních systémů“, Sborník třetího int. Konference o evoluční optimalizaci více kritérií, EMO'05, Přednášky v informatice, 3410: 841–855, CiteSeerX  10.1.1.73.9653, doi:10.1007/978-3-540-31880-4_58, ISBN  978-3-540-24983-2
• Domanski, P. A .; Yashar, D .; Kaufman, K .; Michalski, R. S. (duben 2004), „Optimalizovaný design odpařovačů s žebrovanými trubkami pomocí naučitelného evolučního modelu“, Mezinárodní žurnál výzkumu vytápění, větrání, klimatizace a chlazení, 10: 201–211
• Kaufman, K .; Michalski, R. S. (2000), „Aplikování modelu Learnable Evolution na design výměníku tepla“, Sborník příspěvků ze sedmnácté národní konference o umělé inteligenci (AAAI-2000) a dvanácté výroční konference o inovativních aplikacích umělé inteligence (IAAI-2000): 1014–1019
• Cervone, G .; Michalski, R. S .; Kaufman, K. A. (červenec 2000), „Experimentální ověření modelu Learnable Evolution“, Kongres o evolučních výpočtech z roku 2000: 1064–1071
• Michalski, R. S. (2000), „LEARNABLE EVOLUTION MODEL Evolutionary Processes Guided by Machine Learning“, Strojové učení, 38: 9–40, doi:10.1023 / A: 1007677805582
• Michalski, R .S. (11. – 13. Června 1998), „Learnable Evolution: Combining Symbolic and Evolutionary Learning“, Sborník ze čtvrtého mezinárodního workshopu o multistrategickém učení (MSL'98): 14–20
• H Yar, M. (11. – 13. Června 2016), „Průzkum evolučních výpočtů: Metody a jejich aplikace ve strojírenství“, Mod. Appl. Sci: 14–20