論文の概要: Qualities, challenges and future of genetic algorithms: a literature review

• arxiv url: http://arxiv.org/abs/2011.05277v3
• Date: Mon, 13 Sep 2021 16:35:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 12:08:26.597126
• Title: Qualities, challenges and future of genetic algorithms: a literature review
• Title（参考訳）: 遺伝的アルゴリズムの質と課題と将来:文献レビュー
• Authors: Aymeric Vie, Alissa M. Kleinnijenhuis, Doyne J. Farmer
• Abstract要約: 遺伝的アルゴリズムは自然進化をシミュレートするコンピュータプログラムである。 ニューラルネットワークアーキテクチャ探索から戦略ゲームまで,さまざまな最適化問題の解決に使用されている。 GPU、並列コンピューティング、量子コンピューティングなどの最近の発展、強力なパラメータ制御法の概念、表現戦略における新しいアプローチは、それらの限界を克服するための鍵となるかもしれない。
• 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: Genetic algorithms, computer programs that simulate natural evolution, are increasingly applied across many disciplines. They have been used to solve various optimisation problems from neural network architecture search to strategic games, and to model phenomena of adaptation and learning. Expertise on the qualities and drawbacks of this technique is largely scattered across the literature or former, motivating an compilation of this knowledge at the light of the most recent developments of the field. In this review, we present genetic algorithms, their qualities, limitations and challenges, as well as some future development perspectives. Genetic algorithms are capable of exploring large and complex spaces of possible solutions, to quickly locate promising elements, and provide an adequate modelling tool to describe evolutionary systems, from games to economies. They however suffer from high computation costs, difficult parameter configuration, and crucial representation of the solutions. Recent developments such as GPU, parallel and quantum computing, conception of powerful parameter control methods, and novel approaches in representation strategies, may be keys to overcome those limitations. This compiling review aims at informing practitioners and newcomers in the field alike in their genetic algorithm research, and at outlining promising avenues for future research. It highlights the potential for interdisciplinary research associating genetic algorithms to pulse original discoveries in social sciences, open ended evolution, artificial life and AI.
• Abstract（参考訳）: 遺伝的アルゴリズム(自然進化をシミュレートするコンピュータプログラム)は多くの分野にまたがって適用される。 ニューラルネットワークアーキテクチャ探索から戦略ゲームまで,さまざまな最適化問題の解決や,適応と学習の現象のモデル化に使用されている。 この技術の品質と欠点に関する専門知識は、文学や前者の間で広く散らばっており、この分野の最新の発展に照らして、この知識の編纂を動機付けている。 本稿では,遺伝的アルゴリズム,その特性,限界,課題,および今後の開発展望を紹介する。 遺伝的アルゴリズムは、可能なソリューションの大規模で複雑な空間を探索し、期待できる要素を素早く見つけ出し、ゲームから経済まで進化システムを記述するための適切なモデリングツールを提供する。 しかし、それらは高い計算コスト、難しいパラメータ構成、そしてソリューションの重要な表現に悩まされている。 gpu、並列および量子コンピューティング、強力なパラメータ制御法の概念、表現戦略における新しいアプローチといった最近の開発は、これらの制限を克服するための鍵となるかもしれない。 このコンパイルレビューは、遺伝子アルゴリズムの研究と同様に、現場の実践者や新入生に通知すること、そして将来の研究への有望な道筋を概説することを目的としている。 これは、社会科学、オープンエンド進化、人工生命、AIにおける元の発見をパルスする遺伝的アルゴリズムを関連付ける学際研究の可能性を強調している。

関連論文リスト

• A Survey on State-of-the-art Deep Learning Applications and Challenges [0.0]
  ディープラーニングモデルの構築は、アルゴリズムの複雑さと現実世界の問題の動的な性質のため、難しい。 本研究の目的は,コンピュータビジョン,自然言語処理,時系列解析,広範コンピューティングにおける最先端のディープラーニングモデルを網羅的にレビューすることである。
  論文  参考訳（メタデータ） (2024-03-26T10:10:53Z)
• On the Challenges and Opportunities in Generative AI [135.2754367149689]
  現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。 本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Automated Design of Salient Object Detection Algorithms with Brain Programming [3.518016233072556]
  本研究は, 突発性物体検出問題の解決を目的とした最近の提案を用いて, 人工背側流の拡大を提案する。 そこで我々は,画像分割アルゴリズムと視覚塩分率の融合をテンプレートとして適用することにした。 本稿では,最先端技術との比較において,専門家が設計したベンチマークの結果について述べる。
  論文  参考訳（メタデータ） (2022-04-07T20:21:30Z)
• Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms [0.0]
  1960年、ジョン・H・ホランドとその学生によって最初の遺伝的アルゴリズムが開発された。 本稿では,ガウス突然変異を応用した遺伝的アルゴリズムの数学的直観について検討する。
  論文  参考訳（メタデータ） (2022-01-02T04:18:25Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。