Fugu-MT 論文翻訳(概要): Evolving Evolutionary Algorithms with Patterns

論文の概要: Evolving Evolutionary Algorithms with Patterns

arxiv url: http://arxiv.org/abs/2110.05951v1
Date: Sun, 10 Oct 2021 16:26:20 GMT
ステータス: 処理完了
システム内更新日: 2021-10-13 14:43:47.290967
Title: Evolving Evolutionary Algorithms with Patterns
Title（参考訳）: パターンによる進化的アルゴリズムの進化
Authors: Mihai Oltean
Abstract要約: このモデルは、MEP(Multi Expression Programming)技術に基づいている。関数最適化のためのいくつかの進化的アルゴリズムは、考慮されたモデルを用いて進化する。
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: A new model for evolving Evolutionary Algorithms (EAs) is proposed in this paper. The model is based on the Multi Expression Programming (MEP) technique. Each MEP chromosome encodes an evolutionary pattern that is repeatedly used for generating the individuals of a new generation. The evolved pattern is embedded into a standard evolutionary scheme that is used for solving a particular problem. Several evolutionary algorithms for function optimization are evolved by using the considered model. The evolved evolutionary algorithms are compared with a human-designed Genetic Algorithm. Numerical experiments show that the evolved evolutionary algorithms can compete with standard approaches for several well-known benchmarking problems.
Abstract（参考訳）: 本稿では,進化的アルゴリズム(eas)の新しいモデルを提案する。このモデルは、MEP(Multi Expression Programming)技術に基づいている。各MEP染色体は、新しい世代の個体を生成するために繰り返し使用される進化パターンをコードする。進化したパターンは、特定の問題を解決するために使用される標準進化スキームに埋め込まれます。関数最適化のためのいくつかの進化的アルゴリズムは、考慮されたモデルを用いて進化する。進化的アルゴリズムは、人間によって設計された遺伝的アルゴリズムと比較される。数値実験により、進化的アルゴリズムはいくつかのよく知られたベンチマーク問題に対する標準的なアプローチと競合することを示した。

関連論文リスト

Benchmarking Differential Evolution on a Quantum Simulator [0.0]
微分進化(DE)はラストリギン関数やローゼンブロック関数などの関数の最小値を計算するために用いられる。この研究は、古典的チューリングモデル計算で生成される候補個体を用いて、これらの関数にDE法を適用した結果の研究である。
論文参考訳（メタデータ） (2023-11-06T14:27:00Z)
Phylogeny-informed fitness estimation [58.720142291102135]
本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
論文参考訳（メタデータ） (2023-06-06T19:05:01Z)
EvoVGM: A Deep Variational Generative Model for Evolutionary Parameter Estimation [0.0]
本研究では,局所生物学的進化パラメータの真後部を共同で近似した深部変分ベイズ生成モデルを提案する。本研究では,いくつかの進化シナリオと実際のウイルス配列アライメントをシミュレートした合成配列アライメントにおける手法の一貫性と有効性を示す。
論文参考訳（メタデータ） (2022-05-25T20:08:10Z)
Using Genetic Programming to Predict and Optimize Protein Function [65.25258357832584]
我々は,進化的手法に基づく遺伝的プログラミングツールPOETを提案し,方向性進化におけるスクリーニングと変異原性を高める。概念実証として, 化学交換飽和移動機構によって検出されたMRIコントラストを生成するペプチドを用いる。以上の結果から,POETのような計算モデリングツールは,従来よりも400%優れた機能性を持つペプチドを見つけるのに有効であることが示唆された。
論文参考訳（メタデータ） (2022-02-08T18:08:08Z)
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)
Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文参考訳（メタデータ） (2021-11-05T02:54:06Z)
Evolving Evolutionary Algorithms using Linear Genetic Programming [0.0]
このモデルは線形遺伝的プログラミング(LGP)技術に基づいている。機能最適化のためのいくつかの進化的アルゴリズム、トラベリングセールスマン問題、および擬似アサインメント問題は、検討されたモデルを用いて進化する。
論文参考訳（メタデータ） (2021-08-21T19:15:07Z)
Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文参考訳（メタデータ） (2021-04-12T12:45:16Z)
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)
Devolutionary genetic algorithms with application to the minimum labeling Steiner tree problem [0.0]
本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
論文参考訳（メタデータ） (2020-04-18T13:27:28Z)
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)

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。