論文の概要: Using Genetic Algorithm To Evolve Cellular Automata In Performing Edge Detection

• arxiv url: http://arxiv.org/abs/2005.06142v1
• Date: Wed, 13 May 2020 04:07:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 12:40:06.071173
• Title: Using Genetic Algorithm To Evolve Cellular Automata In Performing Edge Detection
• Title（参考訳）: 遺伝的アルゴリズムを用いたエッジ検出におけるセルオートマトンの進化
• Authors: Karan Nayak
• Abstract要約: 遺伝的アルゴリズムを用いて画像のエッジ検出を行う。 我々はセルオートマトンを進化させようと試み、その時間とともに望ましい結果にどのように収束するかを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cellular automata are discrete and computational models thatcan be shown as general models of complexity. They are used in varied applications to derive the generalized behavior of the presented model. In this paper we have took one such application. We have made an effort to perform edge detection on an image using genetic algorithm. The purpose and the intention here is to analyze the capability and performance of the suggested genetic algorithm. Genetic algorithms are used to depict or obtain a general solution of given problem. Using this feature of GA we have tried to evolve the cellular automata and shown that how with time it converges to the desired results.
• Abstract（参考訳）: セルオートマトン(Cellular Automatica)は、複雑性の一般的なモデルとして表される離散的および計算モデルである。 これらは様々な応用において、提示されたモデルの一般化された振る舞いを導出するために用いられる。 本稿では1つの応用例を挙げる。 我々は遺伝的アルゴリズムを用いて画像のエッジ検出を試みている。 ここでの目的と意図は、提案する遺伝的アルゴリズムの機能と性能を分析することである。 遺伝的アルゴリズムは与えられた問題の一般的な解を描写または取得するために用いられる。 GAのこの特徴を用いて、我々は細胞オートマトンを進化させ、それが望ましい結果にどのように収束するかを示した。

関連論文リスト

• Recombination vs Stochasticity: A Comparative Study on the Maximum Clique Problem [0.393259574660092]
  最大傾き問題(英: maximum clique problem、MCP)は、グラフ理論と計算複雑性の基本的な問題である。 様々なメタヒューリスティックがMPPを近似するために使われており、遺伝的アルゴリズムやメメティックアルゴリズム、アリコロニーアルゴリズム、欲求アルゴリズム、タブアルゴリズム、シミュレートされたアニーリングなどがある。 以上の結果から,モンテカルロのアルゴリズムはランダム検索を用いてグラフを生成するが,速度と能力の両面で遺伝的アルゴリズムを上回っていることが示唆された。
  論文  参考訳（メタデータ） (2024-09-26T12:50:00Z)
• Fast Genetic Algorithm for feature selection -- A qualitative approximation approach [5.279268784803583]
  本稿では,遺伝的アルゴリズム(GA)を特徴選択に用いることによって生じる計算問題に対処するための,2段階の代理支援進化的アプローチを提案する。 我々はCHCQXがより高速に収束し、特に100K以上のインスタンスを持つ大規模データセットにおいて、非常に高い精度でサブセットソリューションを特徴付けることを示した。
  論文  参考訳（メタデータ） (2024-04-05T10:15:24Z)
• Evaluating Genetic Algorithms through the Approximability Hierarchy [55.938644481736446]
  本稿では,問題の近似クラスに依存する遺伝的アルゴリズムの有用性を解析する。 特に, 遺伝的アルゴリズムは階層の最も悲観的なクラスに特に有用であることを示す。
  論文  参考訳（メタデータ） (2024-02-01T09:18:34Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• An Application of a Multivariate Estimation of Distribution Algorithm to Cancer Chemotherapy [59.40521061783166]
  癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。 より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。 我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
  論文  参考訳（メタデータ） (2022-05-17T15:28:46Z)
• Otimizacao de Redes Neurais atraves de Algoritmos Geneticos Celulares [0.0]
  この手法の目的は、分類問題に対して優れた性能を示すコンパクトネットワークを見つけることである。 CGAの使用は、共通の遺伝的アルゴリズム(GA)と同様に、RNAの構成要素を探すことを目的としている。 CAが課している場所は、長期にわたって遺伝的多様性を維持するために、集団内の溶液の拡散を制御することを目的としている。
  論文  参考訳（メタデータ） (2021-07-18T00:10:15Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• A summary of the prevalence of Genetic Algorithms in Bioinformatics from 2015 onwards [0.0]
  遺伝的アルゴリズムは完全なアプリケーションを作ることは滅多になく、サポートベクターマシンのような他の重要なアルゴリズムに依存している。 GAのような人口ベースの検索は、しばしば他の機械学習アルゴリズムと組み合わせられる。 遺伝的アルゴリズムの未来は、複雑さを高め、多様な解決策を見つけようとするオープンエンド進化アルゴリズムかもしれない。
  論文  参考訳（メタデータ） (2020-08-20T15:15:43Z)
• Genetic optimization algorithms applied toward mission computability models [0.3655021726150368]
  遺伝的アルゴリズムは計算ベースであり、計算に低コストである。 遺伝的最適化アルゴリズムをミッションクリティカルかつ制約対応の問題に記述する。
  論文  参考訳（メタデータ） (2020-05-27T00:45:24Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。