Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "crossover algorithm" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Evolutionary computing in operational research for two-layer neural networks
    Autorzy:
    Płaczek, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/94935.pdf
    Data publikacji:
    2017
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie
    Tematy:
    evolutionary algorithm
    neural network
    optimization algorithm
    mutation operator
    crossover operator
    Opis:
    Considering the non-linear characteristics of the activation functions, the entire task is multidimensional and non-linear with a multimodal target function. Implementing evolutionary computing in the multimodal optimization tasks gives developers new and effective tools for seeking the global minimum. A developer has to find the optimal and simple transformation between the realization of a phenotype and a genotype. In the article, a two-layer neural network is analysed. In the first step, the population is created. In the main algorithm loop, a parent selection mechanism is used together with the fitness function. To evaluate the quality of evolutionary computing process different measured characteristics are used. The final results are depicted using charts and tables.
    Źródło:
    Information Systems in Management; 2017, 6, 2; 119-130
    2084-5537
    2544-1728
    Pojawia się w:
    Information Systems in Management
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Multi-combinative strategy to avoid premature convergence in genetically-generated fuzzy knowledge bases
    Multikombinacyjna strategia unikania przedwczesnej konwergencji w genetycznie generowanych rozmytych bazach wiedzy
    Autorzy:
    Achiche, S.
    Balazinski, M.
    Baron, L.
    Powiązania:
    https://bibliotekanauki.pl/articles/281997.pdf
    Data publikacji:
    2004
    Wydawca:
    Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej
    Tematy:
    artificial intelligence
    fuzzy decision support system
    fuzzy knowledge base
    learning
    premature convergence
    genetic algorithm
    crossover operators
    Opis:
    A growing number of industrial fields is concerned by complex and multiobjective problems. For this kind of problems, optimal decision making is critical. Decision support systems using fuzzy logic are often used to deal with complex and large decision making problems. However the main drawback is the need of an expert to manually construct the knowledge base. The use of genetic algorithms proved to be an effective way to solve this problem. Genetic algorithms model the life evolution strategy using the Darwin theory. A main problem in genetic algorithms is the premature convergence, and the last enhancements in order to solve this problem include new multi-combinative reproduction techniques. There are two principal ways to perform multi-combinative reproduction within a genetic algorithm, namely the Multi-parent Recombination, Multiple Crossover on Multiple Parents (MCMP); and the Multiple Crossover Per Couple (MCPC). Both techniques try to take the most of the genetic information contained in the parents. This paper explores the possibility to decrease premature convergence in a real/binary like coded genetic algorithm (RBCGA) used in automatic generation of fuzzy knowledge bases (FKBs). The RBCGA uses several crossover mechanisms applied to the same couple of parents. The crossover are also combined in different ways creating a multiple offspring from the same parent genes. The large family concept and the variation of the crossovers should introduce diversity and variation in otherwise prematurely converged populations and hence, keeping the search process active.
    Rosnącej liczbie dziedzin, którymi zainteresowany jest przemysł, towarzyszą złożone zagadnienia wieloobiektowe. Dla takich zagadnień optymalne podejmowanie decyzji jest krytyczne. Często dla wsparcia procesu decyzyjnego w złożonych problemach stosuje się układy logiki rozmytej. Kłopotem pozostaje jednak potrzeba manualnego wygenerowania bazy wiedzy poprzez eksperta. Okazuje się, że pewnym rozwiązaniem tego problemu może być użycie algorytmów genetycznych. Algorytmy takie modelują zagadnienie ewolucyjne na podstawie teorii Darwina. Głównym problemem w algorytmach genetycznych jest przedwczesna konwergencja, której próby wyeliminowania oparto na strategii multikombinowanych technik reprodukcji. Występują zasadniczo dwie drogi realizacji techniki reprodukcji: Multiple Crossover on Multiple Parents (MCMP) oraz Multiple Crossover Per Couple (MCPC). Obydwie metody celują w wykorzystanie jak największej ilości informacji genetycznej od rodziców. W artykule zajęto się możliwością ograniczania przedwczesnej konwergencji w rzeczywistym/binarnym kodzie genetycznym (RBCGA) używanym w automatycznymgenerowaniu rozmytych baz wiedzy (FKBs). Algorytm RBCGA stosuje kilka mechanizmów krzyżowania genów w odniesieniu do tej samej pary rodziców. Mechanizmy te przeróżnie kombinowane pozwalają na wielokrotną kreację potomstwa od tej samej pary rodziców. Koncepcja dużej rodziny i różnicowanie krzyżowania powinny wprowadzić dywersyfikację nowogenerowanych pokoleń, które w przeciwnym razie szybko uległyby konwergencji. Zapobieżenie temu zjawisku poprzez strategię multikombinacyjną utrzymuje proces poszukiwania rozwiązania w stanie aktywnym.
    Źródło:
    Journal of Theoretical and Applied Mechanics; 2004, 42, 3; 417-444
    1429-2955
    Pojawia się w:
    Journal of Theoretical and Applied Mechanics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Teoria i metody algorytmu ewolucyjnego w uczeniu jednowarstwowej sieci neuronowej
    Implementation of the Evolutionary Algorithm Theory and Methods in the Learning Process of One-Layer ANN
    Autorzy:
    Płaczek, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/509173.pdf
    Data publikacji:
    2016
    Wydawca:
    Akademia Finansów i Biznesu Vistula
    Tematy:
    algorytmy genetyczne
    algorytmy ewolucyjne
    sztuczne sieci neuronowe
    algorytmy uczenia sieci
    algorytmy selekcji
    algorytmy krzyżowania
    algorytmy mutacji
    genetic algorithm
    evolutionary algorithm
    artificial neural network
    learning algorithm
    selection algorithm
    crossover algorithm
    mutation algorithm
    Opis:
    Rozwój teorii sztucznych sieci neuronowych, a także pojawienie się nowych, efektywnych narzędzi programistycznych (systemy wieloprocesorowe, programowanie wielowątkowe) umożliwia zastosowanie algorytmów genetycznych oraz ewolucyjnych do uczenia sztucznych sieci neuronowych (SSN). W literaturze dotyczącej zasad działania SSN podkreśla się ich atrakcyjne własności, takie jak: aproksymacja dowolnych nieliniowych odwzorowań, równolegle i rozproszone przetwarzanie, adaptacja i uczenie. Szczególnie równoległe i rozproszone przetwarzanie koresponduje ze strukturą algorytmu genetycznego i ewolucyjnego. Klasyczne algorytmy genetyczne operują na ciągach binarnych o stałej długości. Natomiast algorytmy ewolucyjne można interpretować jako uogólnienie algorytmów genetycznych. W algorytmach tych stosuje się zasady ewolucji i dziedziczenia oraz wykorzystuje się właściwą strukturę danych do reprezentacji chromosomów (liczby rzeczywiste, macierze, grafy). Definiuje się również inne operatory krzyżowania i mutacji. Tak więc struktura algorytmu ewolucyjnego jest prawie taka sama jak genetycznego. Różnice ukryte są na niższych poziomach przetwarzania – w strukturach danych. W artykule przedstawiono próbę implementacji algorytmu ewolucyjnego do uczenia jednowarstwowej sieci neuronowej. Sieć opisuje się w postaci macierzy połączeń między wektorami – wejściowym X oraz wyjściowym Y. Funkcja uczenia SSN zdefiniowana jest jako nieliniowa funkcja wag sieci oraz nieliniowej funkcji aktywacji minimalizującej błąd średniokwadratowy między wektorem wyjściowym Y a wektorem uczącym Z, dla całej paczki uczącej. Pojawienie się nieliniowości utrudnia zastosowanie algorytmu uczenia opartego na wstecznej propagacji błędu. Funkcja celu, oprócz minimum globalnego, może zawierać wiele minimów lokalnych, w których algorytm oparty na badaniu gradientu funkcji celu może się zatrzymać. Oczywiście stosuje się różne techniki i metody umożliwiające wyjście algorytmu z tego typu pułapek. Tym niemniej dla sprawdzenia poprawności otrzymanych wyników uruchamia się proces uczenia SSN dla różnych danych początkowych. W zaproponowanym algorytmie ewolucyjnym tworzy się zbiór osobników. Każdy z osobników przedstawia możliwe rozwiązanie zadania minimalizacji funkcji celu i jest reprezentowany przez macierzową strukturę danych. Każde rozwiązanie cząstkowe ocenia się na podstawie dopasowania funkcji celu, a następnie tworzy się nową populację (potomków) przez selekcję osobników o najlepszych dopasowaniach oraz dwa algorytmy krzyżowania i mutacji. W artykule omówiono zaproponowaną strukturę osobników, przyjęte algorytmy selekcji z ich wadami i zaletami oraz różne algorytmu krzyżowania i mutacji. Na wstępie zdefiniowano takie podstawowe pojęcia, jak gen, chromosom oraz najogólniejszą strukturę algorytmu ewolucyjnego. Artykuł ma charakter koncepcyjny.
    The article proposes implementation of a modified version of genetic algorithms in neural networks, what in literature is known as “evolutionary algorithm” or “evolutionary programming”. An evolutionary algorithm is a probabilistic algorithm that works in a set of weight variability of neurons and seeks the optimal value solution within a population of individuals, avoiding the local maximum. For chromosomes, the real value variables and matrix structure are proposed. In the article, this decision is widely elaborated and discussed. In the original versions of genetic algorithms, all variables’ values are transformed into binary versions. The chromosomes bit sequences could include thousands of positions. It does not simplify the crossover and mutation operations. Processes could be very time-consuming and the algorithm convergence could also be slow. For a single-layer neural network matrix data structure is used. A particular emphasis is put on mutation and crossover algorithms. What is also important in both genetic and evolutionary algorithms is the selection process. The primary population, known as the parent population, is employed to build a new set of individuals using the selection process. These individuals are known as the children population. The selection algorithm should converge on the two very important issues: population diversity and selective pressure. Selective pressure can manifest in the overrepresentation of the best individuals in the new population. The area, in which the optimal solution is sought, is reduced too fast. Premature convergence is not desirable due to the high probability of achieving the local maximum. Reducing the selective pressure may result in increasing the time it takes to search for the solution.
    Źródło:
    Zeszyty Naukowe Uczelni Vistula; 2016, 49(4) Informatyka; 23-39
    2353-2688
    Pojawia się w:
    Zeszyty Naukowe Uczelni Vistula
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Using GA for evolving weights in neural networks
    Autorzy:
    Hameed, Wafaa Mustafa
    Kanbar, Asan Baker
    Powiązania:
    https://bibliotekanauki.pl/articles/118057.pdf
    Data publikacji:
    2019
    Wydawca:
    Polskie Towarzystwo Promocji Wiedzy
    Tematy:
    genetic algorithm
    neural network
    crossover
    mutation
    algorytm genetyczny
    sieć neuronowa
    skrzyżowanie
    mutacja
    Opis:
    This article aims at studying the behavior of different types of crossover operators in the performance of Genetic Algorithm. We have also studied the effects of the parameters and variables (crossover probability (Pc), mutation probability (Pm), population size (popsize) and number of generation (NG) for controlling the algorithm. This research accumulated most of the types of crossover operators these types are implemented on evolving weights of Neural Network problem. The article investigates the role of crossover in GAs with respect to this problem, by using a comparative study between the iteration results obtained from changing the parameters values (crossover probability, mutation rate, population size and number of generation). From the experimental results, the best parameters values for the Evolving Weights of XOR-NN problem are NG = 1000, popsize = 50, Pm = 0.001, Pc = 0.5 and the best operator is Line Recombination crossover.
    Źródło:
    Applied Computer Science; 2019, 15, 3; 21-33
    1895-3735
    Pojawia się w:
    Applied Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies