タグ付けされた質問 「evolutionary-computing」

今日、遺伝的アルゴリズムの使用を含むいくつかのイントロレベルのトピックを議論している間; この分野の研究は本当に遅れていると言われました。理由は、ほとんどの人が機械学習とデータマイニングに集中しているためです。 更新：これは正確ですか？もしそうなら、ML / DMはGAと比較してどのような利点がありますか？

45 machine-learning  data-mining  evolutionary-computing  history 

私の主な関心事は、遺伝的プログラミングが活発な研究分野であるかどうかであり、実際にいくつかの有望なアプリケーションがあります。今日の主流ニュースで言及されているように、機械学習の分野ではニューラルネットワークが主な流行語のようですが、同様の遺伝的プログラミングの「成功事例」は聞いたことがありません。

10 machine-learning  evolutionary-computing 

遺伝的アルゴリズムの時間の複雑さをどのように決定しますか（一般的に）？可能なら。 私はこれについて多くのことを考えていました。私が持っていたすべての教えは、本質的に確率論的ではない問題の時間の複雑さを決定することに関連しています。

9 time-complexity  evolutionary-computing 

Aレベルの生物学の学生として、私は生物学とコンピューターサイエンスとの関連について多くのことを考えてきました。よく頭に浮かぶのは、免疫学とコンピューターセキュリティ/ウイルスのリンクです。たとえば、私は（ウイルス対策プログラムのしくみを読んで）、免疫システムがウイルスを処理する方法はウイルス対策プログラムと非常によく似ていると判断しました（どちらにもウイルス定義のデータベースが含まれています（メモリセルまたはウイルス）署名）と両方に外挿法が含まれています）。私にとっての自然な進歩は、コンピュータウイルスと比較したウイルスの自然な進化について考えていました。だから私の質問に：ββ\beta コンピュータウイルスが新しい「遺伝子」を所有する新しい株に進化して、自分の仕事を実行することは可能でしょうか。 この種の考え方は本当にウイルスにのみ当てはまるようです。つまり、通常の古い計算機が「自然選択」の対象になることは決してないでしょう。しかし、私が知る限り、ウイルスはアンチウイルスプログラムを回避するために自分自身を突然変異させますが、おそらくこれらはかなり制御されているため、ウイルスは、他の方法では役に立たなくなる可能性のある非有益な突然変異を獲得しません。自然の真のランダムな性質がウイルスに適用される可能性がある場合、それらは、たとえば、アンチウイルスプログラムを引き継ぐレトロウイルスになる、またはそれを可能にする新しいコードを含めるように変化するなど、新しい機能を進化させることができるでしょうか？ファイアウォールをダウンさせる？彼らは、ある種の計算上の自然淘汰に関与するでしょうか？そこでは、最強のウイルスが生き残り、その有益な遺伝子を伝えます。

8 security  evolutionary-computing 

私は現在修士論文に取り組んでおり、それはグラフのクラスタリングについてです。私は問題を解決するためにアリを使用するアイデアで働いています。私は現在実装に取り​​組んでおり、グラフのエッジをどの程度正確に表すのか正確に疑問に思っています。 各エッジには、フェロモン値やアリがそのエッジを訪れた回数などの特定の情報が追加されます。私は無向グラフを操作しますが、これはかなり巨大になる可能性があり（100万頂点を超える）、エッジを格納してルックアップするための最も効率的な方法は何かと思っていましたか？私は規則に固執し、頂点IDが低く、頂点ID が高いものに従ってエンドポイントを格納することを考えてい（とはデータ構造のエッジのエンドポイントです）。しかし、私はこの場合ルックアップをどのように実行するのでしょうか？v1v1v_1v2v2v_2v1v1v_1v2v2v_2 私が隣接行列からエッジ配列に思いついたマッピングがありますが、それは基礎となるグラフが完全なグラフである場合にのみ機能します。だから、私はルックアップを効率的にする必要があると同時に、グラフが巨大になるのでエッジのストレージスペースを爆破したくないので、どうすればよいかについていくつかの提案を得るためにここに来ました。

8 graph-theory  data-structures  evolutionary-computing 

文法の進化を利用して遺伝的アルゴリズムをプログラミングしています。私の問題は、局所的な最適値（早期収束）に到達し、それが発生したときに何をすべきかわからないことです。突然変異率を上げることを考えています（5％がデフォルト値です）が、いつ必要かを判断する方法がわかりません。 私がすべての世代で持っているデータは、最初の列がその適合性である二次元配列です adn[i][0] ← fitness row → is the values of the Grammar column ↓ Each indiviual result 説明が必要な場合は、お問い合わせください。変更させていただきます。これは私の母国語ではなく、間違いやご不便をおかけして申し訳ありません。 リクエストに答えると、私の操作は次のとおりであり、この順序で正確に： ランダムな母集団（乱数を含む行列）を生成します 希望する結果を含む行列を生成します。これを行うために、私はさらに+ -5％のバリエーションを持ついくつかの関数を実装しました。例：fun（x）=（2 * cos（x）+ sen（x）-2X）* （0,95+ （0と0,1の間で振動する数値）、xには0からN（Nは行のサイズ）までのすべてのf（x）が含まれ、yにはまったく同じ（より多くの結果）が含まれます アルゴリズムを開始します（世代が変わり始めます すべての世代を作るアクションは次のとおりです。 突然変異：すべての染色体の乱数は任意の遺伝子で突然変異する可能性があります→adn [i] [ランダム] =乱数（これが発生する確率の5％） クロスオーバー：私はすべてのadnを他のadnと交差させます（80％はすべてのペアの突然変異の可能性です）。ペアリングのために、乱数を選び、adn [i]とadn [（i + j）mod NumADNs]に直面します。 翻訳。ワンステップの転写で作成したf（0からN）の値を含む行列を取得し、画像に文法を適用して翻訳します -fitness：取得した値を期待値と比較し、適合度を更新します。 -エリート主義：その後、私は最高の4つのADNを選択し、それをトップにします、それらは選択されます -選択：非エリート主義のadnは完全にランダムなadnに直面し、その適応度が低い（低いほうが良い）が優勢であり、悪い方が生き残る可能性があります

7 optimization  genetic-algorithms  evolutionary-computing