| dbpprop:abstract
|
- In artificial intelligence, an evolutionary algorithm (EA) is a subset of evolutionary computation, a generic population-based metaheuristic optimization algorithm. An EA uses some mechanisms inspired by biological evolution: reproduction, mutation, recombination, and selection. Candidate solutions to the optimization problem play the role of individuals in a population, and the fitness function determines the environment within which the solutions "live". Evolution of the population then takes place after the repeated application of the above operators. Artificial evolution (AE) describes a process involving individual evolutionary algorithms; EAs are individual components that participate in an AE. Evolutionary algorithms often perform well approximating solutions to all types of problems because they ideally do not make any assumption about the underlying fitness landscape; this generality is shown by successes in fields as diverse as engineering, art, biology, economics, marketing, genetics, operations research, robotics, social sciences, physics, politics and chemistry. Apart from their use as mathematical optimizers, evolutionary computation and algorithms have also been used as an experimental framework within which to validate theories about biological evolution and natural selection, particularly through work in the field of artificial life. Techniques from evolutionary algorithms applied to the modelling of biological evolution are generally limited to explorations of microevolutionary processes, however some computer simulations, such as Tierra and Avida, attempt to model macroevolutionary dynamics. A possible limitation of many evolutionary algorithms is their lack of a clear genotype-phenotype distinction. In nature, the fertilized egg cell undergoes a complex process known as embryogenesis to become a mature phenotype. This indirect encoding is believed to make the genetic search more robust (i.e. reduce the probability of fatal mutations), and also may improve the evolvability of the organism. Recent work in the field of artificial embryogeny, or artificial developmental systems, seeks to address these concerns.
- Ein Evolutionärer Algorithmus (EA) ist ein Optimierungsverfahren, das als Vorbild die biologische Evolution hat. Dabei werden Individuen durch ihre Eigenschaften (i.A. in Zahlenwerten) beschrieben; sie müssen sich bzgl. der Selektionsbedingungen als möglichst geeignet behaupten, und dürfen dementsprechend ihre Eigenschaften vererben - oder eben nicht. Im Laufe mehrerer Durchläufe entwickelt sich so die „Bevölkerung“ immer näher an das Optimum.
- Los algoritmos evolutivos son métodos de optimización y búsqueda de soluciones basados en los postulados de la evolución biológica. En ellos se mantiene un conjunto de entidades que representan posibles soluciones, las cuales se mezclan, y compiten entre sí, de tal manera que las más aptas son capaces de prevalecer a lo largo del tiempo, evolucionando hacia mejores soluciones cada vez. Los algoritmos evolutivos, y la computación evolutiva, son una rama de la inteligencia artificial. Son utilizados principalmente en problemas con espacios de búsqueda extensos y no lineales, en donde otros métodos no son capaces de encontrar soluciones en un tiempo razonable. Siguiendo la terminología de la teoría de la evolución, las entidades que representan las soluciones al problema se denominan individuos o cromosomas, y el conjunto de éstos, población. Los individuos son modificados por operadores genéticos, principalmente el sobrecruzamiento, que consiste en la mezcla de la información de dos o más individuos; la mutación, que es un cambio aleatorio en los individuos; y la selección, consistente en la elección de los individuos que sobrevivirán y conformarán la siguiente generación. Dado que los individuos que representan las soluciones más adecuadas al problema tienen más posibilidades de sobrevivir, la población va mejorando gradualmente.
- 進化的アルゴリズム（evolutionary algorithm、EAと略記)は進化的計算の一分野を意味し、人工知能の一部である。個体群ベースのメタヒューリスティックな最適化アルゴリズムの総称である。そのメカニズムとして生殖、突然変異、遺伝子組み換え、自然淘汰、適者生存といった進化の仕組みからインスパイアされたアルゴリズムを用いる。最適化問題の解の候補群が生物の個体群の役割を果たし、コスト関数によってどの解が生き残るかを決定する。それが繰り返された後、個体群の進化が行われる。 EAの例を以下に示す。これらの技法は本質的には同様だが、実装の詳細は異なっており、適用される問題の分野が異なる。 遺伝的アルゴリズム - これは EA の中でも最も一般的な手法である。問題の解を探索するにあたって数値の列を使用し（二進数を使うのが古典的だが、解決すべき問題に合わせて最適な形式が選択され、二進数になるとは限らない）、選択と変異に加えて事実上常に組み換えオペレータを適用する。 遺伝的プログラミング - 基本は遺伝的アルゴリズムと同じだが、解は木構造の形式で表わし数式やプログラムコードを表現する。適応度関数はその計算能力などで評価する。 進化的戦略 - 実数のベクトルで解を表し、探索を行うと同時に自己変異用のパラメータも更新していく。 進化的プログラミング - 解の適応度関数に集団中におけるその解の優位性を表した確率的な関数を用いる。 これらは適応度地形にいかなる仮定も持たないので、進化的アルゴリズムがあらゆるタイプの問題でうまく機能すると信じられている（ただし、ノーフリーランチ定理に注意）。このことは、工学、芸術、生物学、経済学、遺伝学、オペレーションズリサーチ、ロボット工学、社会科学、物理学、化学などの分野で成功を収めていることで裏付けられている。 数学的なオプティマイザとしての使用法は別として、進化的計算とアルゴリズムは進化と自然淘汰の仮説の正当性を実験検証するのにも使われてきた。特に人工生命の分野がそれである。進化的アルゴリズムの手法は生物の進化モデルに適用する際には一般に小進化に限定される。もっとも、TierraやAvidaのようなコンピュータシミュレーションは大進化のモデル化を意図している。 進化的アルゴリズムの制限として、遺伝子型と表現型の区別が不明確という点が挙げられる。実際、受精した卵細胞は胚発生という複雑なプロセスを経て円熟した表現型になる。この間接的エンコーディングによって、間違った突然変異を低減させるなどの遺伝の頑強化がなされていると考えられ、有機体の進化可能性も改善される。人工胚発生や人工発生システムの研究では、これらの懸念への対処が最近の仕事となっている。
- Algoritmos Evolutivos são algoritmos baseados em uma gama de mecanismos da evolução biológica e serviram para originar conceitos um pouco mais recentes, como o dos Algoritmos Genéticos A motivação para a construção de tais modelos computacionais surgiu de teorias através das quais a Natureza, por meio de seus recursos, resolveu problemas de complexidade, isto é, determinar quantidade de “recursos” para resolver “problemas”, de sobrevivência. Assim, pode-se dizer que a natureza otimiza seus mecanismos para resolver um ou mais problemas. A partir de um problema de otimização, mesmo que se desconheça o que se está otimizando, é possível encontrar uma ótima solução, através dos Algorítimos Evolutivos e suas variações. Ou seja, tais algoritmos podem trabalhar em cima de problemas, sem que exista um conhecimento explicito, isto é, que podem tratar-se de paradigmas. Os Algoritmos Evolutivos buscam tratar estruturas de objetos abstratos de uma população, como, por exemplo, variáveis de um problema de otimização, dos quais são manipulados por operadores inspirados na evolução biológica, que objetivam a busca para a solução de um problema, estes operadores são comumente chamados de operadores genéticos.
- Еволюційні алгоритми — напрям в штучному інтелекті, який використовує і моделює біологічну еволюцію. Розрізняють різні алгоритми: генетичні алгоритми, еволюційне програмування, еволюційні стратегії, системи класифікаторів, генетичне програмування. Всі вони моделюють базові положення в теорії біологічної еволюції — процеси відбору, мутації і відтворення. Поведінка агентів визначається довкіллям, безліч яких прийнято називати популяцією. Така популяція еволюціонує відповідно до правил відбору у відповідності з цільовою функцією, довкіллям, що задається. Таким чином, кожному агентові (індивідуумі) популяції призначається значення його придатності в довкіллі. Розмножуються лише найбільш придатні види. Рекомбінація і мутація дозволяють змінюватись агентам і пристосовуватися до середовища. Такі алгоритми відносяться до адаптивних пошукових механізмів.
|
| rdfs:comment
|
- In artificial intelligence, an evolutionary algorithm (EA) is a subset of evolutionary computation, a generic population-based metaheuristic optimization algorithm. An EA uses some mechanisms inspired by biological evolution: reproduction, mutation, recombination, and selection. Candidate solutions to the optimization problem play the role of individuals in a population, and the fitness function determines the environment within which the solutions "live".
- Ein Evolutionärer Algorithmus (EA) ist ein Optimierungsverfahren, das als Vorbild die biologische Evolution hat. Dabei werden Individuen durch ihre Eigenschaften (i.A. in Zahlenwerten) beschrieben; sie müssen sich bzgl. der Selektionsbedingungen als möglichst geeignet behaupten, und dürfen dementsprechend ihre Eigenschaften vererben - oder eben nicht. Im Laufe mehrerer Durchläufe entwickelt sich so die „Bevölkerung“ immer näher an das Optimum.
- Los algoritmos evolutivos son métodos de optimización y búsqueda de soluciones basados en los postulados de la evolución biológica. En ellos se mantiene un conjunto de entidades que representan posibles soluciones, las cuales se mezclan, y compiten entre sí, de tal manera que las más aptas son capaces de prevalecer a lo largo del tiempo, evolucionando hacia mejores soluciones cada vez. Los algoritmos evolutivos, y la computación evolutiva, son una rama de la inteligencia artificial.
- Algoritmos Evolutivos são algoritmos baseados em uma gama de mecanismos da evolução biológica e serviram para originar conceitos um pouco mais recentes, como o dos Algoritmos Genéticos A motivação para a construção de tais modelos computacionais surgiu de teorias através das quais a Natureza, por meio de seus recursos, resolveu problemas de complexidade, isto é, determinar quantidade de “recursos” para resolver “problemas”, de sobrevivência.
- Еволюційні алгоритми — напрям в штучному інтелекті, який використовує і моделює біологічну еволюцію. Розрізняють різні алгоритми: генетичні алгоритми, еволюційне програмування, еволюційні стратегії, системи класифікаторів, генетичне програмування.
|
![[RDF Data]](/statics/sw-cube.png)
