Definicja AK
AK jest podwójnie dziedziczącym systemem z ewolucją na poziomie populacji i poziomie przekonań. Te dwa składniki współdziałają poprzez protokół komunikacyjny. Protokół określa zbiór jednostek
„akceptowalnych”, który jest zdolny do uaktualniania przestrzeni przekonań.
Przestrzeń przekonań w AK jest zbiorem informacji dotyczącą procesu samodostosowania. Informacja składowana w przestrzeni przekonań może odnosić się do różnych parametrów globalnych, które mogą być użyte do kierowania populacją przez określony protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja,
S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji,
Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian,
f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności,
B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań,
A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Struktura AK
CA = <P, S, Vc, f, B, A, ad, I>
P to populacja, S to operator selekcji, Vc to operator zmian, f to funkcja wydajności, B to przestrzeń przekonań, A to funkcja akceptacji,
ad to operator przestrzeni przekonań, który reguluje i uaktualnia wiedzę w przestrzeni rozwiązań,
I to zbiór funkcji wpływu używanych do wpływania na operator zmian Vc.
A i I reprezentują protokół komunikacyjny.
Algorytmy kulturowe i memetyczne
Schemat AK
Algorytmy kulturowe i memetyczne
Składniki AK
AK zawierają trzy składniki:
populacja społeczna, rozwijająca się na podstawie mechanizmów ewolucji, rozmnażania i modyfikowania
przestrzeń przekonań, która reprezentuje przyzwyczajenia nabyte przez populację w procesie rozwiązywania problemu
protokół komunikacyjny używany do określenia współpracy pomiędzy populacją a jej przekonaniami.
Algorytmy kulturowe i memetyczne
Składniki AK
AK zawierają trzy składniki:
populacja społeczna, rozwijająca się na podstawie mechanizmów ewolucji, rozmnażania i modyfikowania
przestrzeń przekonań, która reprezentuje przyzwyczajenia nabyte przez populację w procesie rozwiązywania problemu
protokół komunikacyjny używany do określenia współpracy pomiędzy populacją a jej przekonaniami.
Algorytmy kulturowe i memetyczne
Składniki AK
AK zawierają trzy składniki:
populacja społeczna, rozwijająca się na podstawie mechanizmów ewolucji, rozmnażania i modyfikowania
przestrzeń przekonań, która reprezentuje przyzwyczajenia nabyte przez populację w procesie rozwiązywania problemu
protokół komunikacyjny używany do określenia współpracy pomiędzy populacją a jej przekonaniami.
Algorytmy kulturowe i memetyczne
Składniki AK
AK zawierają trzy składniki:
populacja społeczna, rozwijająca się na podstawie mechanizmów ewolucji, rozmnażania i modyfikowania
przestrzeń przekonań, która reprezentuje przyzwyczajenia nabyte przez populację w procesie rozwiązywania problemu
protokół komunikacyjny używany do określenia współpracy pomiędzy populacją a jej przekonaniami.
Algorytmy kulturowe i memetyczne
Aplikacje uczące się pojęciowo
Celem AK było nauczenie się generalnych pojęć o różnych aspektach jednostki w populacji.
Uczenie w przestrzeni przekonań zostało zrealizowane z
wykorzystaniem Algorytmu Przestrzeni Mitchell’a (1978). Wynikiem było zidentyfikowanie regionów kratownicy, gdzie znajdowały się ponadprzeciętne jednostki oraz przestrzenie, gdzie znajdowały się jednostki poniżej przeciętnej.
Wyniki jednostek populacji były promowane lub degradowane, zależnie od typu przekonań.
Proces generalizacji/specjalizacji był wspomagany przez użycie lokalnych procedur przeszukiwania i budowania skupień w przestrzeni przekonań.
Opisy powstałych klas nazywane były stabilnymi klasami.
Twierdzenie schematów wykorzystywano, aby zobrazować jak kultura może przyspieszyć uczenie w ramach populacji.
Algorytmy kulturowe i memetyczne
Aplikacje uczące się pojęciowo
Celem AK było nauczenie się generalnych pojęć o różnych aspektach jednostki w populacji.
Uczenie w przestrzeni przekonań zostało zrealizowane z
wykorzystaniem Algorytmu Przestrzeni Mitchell’a (1978). Wynikiem było zidentyfikowanie regionów kratownicy, gdzie znajdowały się ponadprzeciętne jednostki oraz przestrzenie, gdzie znajdowały się jednostki poniżej przeciętnej.
Wyniki jednostek populacji były promowane lub degradowane, zależnie od typu przekonań.
Proces generalizacji/specjalizacji był wspomagany przez użycie lokalnych procedur przeszukiwania i budowania skupień w przestrzeni przekonań.
Opisy powstałych klas nazywane były stabilnymi klasami.
Twierdzenie schematów wykorzystywano, aby zobrazować jak kultura może przyspieszyć uczenie w ramach populacji.
Algorytmy kulturowe i memetyczne
Aplikacje uczące się pojęciowo
Celem AK było nauczenie się generalnych pojęć o różnych aspektach jednostki w populacji.
Uczenie w przestrzeni przekonań zostało zrealizowane z
wykorzystaniem Algorytmu Przestrzeni Mitchell’a (1978). Wynikiem było zidentyfikowanie regionów kratownicy, gdzie znajdowały się ponadprzeciętne jednostki oraz przestrzenie, gdzie znajdowały się jednostki poniżej przeciętnej.
Wyniki jednostek populacji były promowane lub degradowane, zależnie od typu przekonań.
Proces generalizacji/specjalizacji był wspomagany przez użycie lokalnych procedur przeszukiwania i budowania skupień w przestrzeni przekonań.
Opisy powstałych klas nazywane były stabilnymi klasami.
Twierdzenie schematów wykorzystywano, aby zobrazować jak kultura może przyspieszyć uczenie w ramach populacji.
Algorytmy kulturowe i memetyczne
Aplikacje uczące się pojęciowo
Celem AK było nauczenie się generalnych pojęć o różnych aspektach jednostki w populacji.
Uczenie w przestrzeni przekonań zostało zrealizowane z
wykorzystaniem Algorytmu Przestrzeni Mitchell’a (1978). Wynikiem było zidentyfikowanie regionów kratownicy, gdzie znajdowały się ponadprzeciętne jednostki oraz przestrzenie, gdzie znajdowały się jednostki poniżej przeciętnej.
Wyniki jednostek populacji były promowane lub degradowane, zależnie od typu przekonań.
Proces generalizacji/specjalizacji był wspomagany przez użycie lokalnych procedur przeszukiwania i budowania skupień w przestrzeni przekonań.
Opisy powstałych klas nazywane były stabilnymi klasami.
Twierdzenie schematów wykorzystywano, aby zobrazować jak kultura może przyspieszyć uczenie w ramach populacji.
Algorytmy kulturowe i memetyczne
Aplikacje uczące się pojęciowo
Celem AK było nauczenie się generalnych pojęć o różnych aspektach jednostki w populacji.
Uczenie w przestrzeni przekonań zostało zrealizowane z
wykorzystaniem Algorytmu Przestrzeni Mitchell’a (1978). Wynikiem było zidentyfikowanie regionów kratownicy, gdzie znajdowały się ponadprzeciętne jednostki oraz przestrzenie, gdzie znajdowały się jednostki poniżej przeciętnej.
Wyniki jednostek populacji były promowane lub degradowane, zależnie od typu przekonań.
Proces generalizacji/specjalizacji był wspomagany przez użycie lokalnych procedur przeszukiwania i budowania skupień w przestrzeni przekonań.
Opisy powstałych klas nazywane były stabilnymi klasami.
Twierdzenie schematów wykorzystywano, aby zobrazować jak kultura może przyspieszyć uczenie w ramach populacji.
Algorytmy kulturowe i memetyczne
CAEP-AK z programowaniem genetycznym
Autorzy: Eschelman i Schaffer (1993) zbudowali przestrzeń przekonań o rzeczywistym, ocenianym schemacie.
Każda z cech populacji odpowiada przerwie w przestrzeni przekonań.
Początkowo przerwa jest ustawiana na równi z ograniczeniami zakresu zmiennej.
Następnie regulowana jest na podstawie wartości parametrów dla zbioru akceptowanych jednostek.
W dodatku do wiedzy normatywnej dodano ograniczenia zakresu zmian parametrów i w ten sposób dodano ograniczenia zakresu rozwoju odpowiedniej specjalizacji. Dało to możliwość znalezienia kierunku, w którym zakres będzie regulowany.
Algorytmy kulturowe i memetyczne
CAEP-AK z programowaniem genetycznym
Autorzy: Eschelman i Schaffer (1993) zbudowali przestrzeń przekonań o rzeczywistym, ocenianym schemacie.
Każda z cech populacji odpowiada przerwie w przestrzeni przekonań.
Początkowo przerwa jest ustawiana na równi z ograniczeniami zakresu zmiennej.
Następnie regulowana jest na podstawie wartości parametrów dla zbioru akceptowanych jednostek.
W dodatku do wiedzy normatywnej dodano ograniczenia zakresu zmian parametrów i w ten sposób dodano ograniczenia zakresu rozwoju odpowiedniej specjalizacji. Dało to możliwość znalezienia kierunku, w którym zakres będzie regulowany.
Algorytmy kulturowe i memetyczne
CAEP-AK z programowaniem genetycznym
Autorzy: Eschelman i Schaffer (1993) zbudowali przestrzeń przekonań o rzeczywistym, ocenianym schemacie.
Każda z cech populacji odpowiada przerwie w przestrzeni przekonań.
Początkowo przerwa jest ustawiana na równi z ograniczeniami zakresu zmiennej.
Następnie regulowana jest na podstawie wartości parametrów dla zbioru akceptowanych jednostek.
W dodatku do wiedzy normatywnej dodano ograniczenia zakresu zmian parametrów i w ten sposób dodano ograniczenia zakresu rozwoju odpowiedniej specjalizacji. Dało to możliwość znalezienia kierunku, w którym zakres będzie regulowany.
Algorytmy kulturowe i memetyczne
Mem, systemy memetyczne (P. Moscato)
Mem to nazwa jednostki ewolucji kulturowej, analogicznej do genu będącego jednostką ewolucji biologicznej. Jego oddziaływanie widoczne jest dzięki obserwacji efektów socjotypowych.
Mem jest jednostką informacji zapisanej w mózgu lub na innym nośniku. Pojecie memu i socjotypu zlewa się.
Mem jest autonomiczną strukturą neuronalną w mózgu, która jest nośnikiem informacji kulturowej.
Wynikiem ekspresji memów są socjotypy, przybierające postać języków, melodii, projektów, wartości moralnych i estetycznych, wzorów działania itp.
Algorytmy kulturowe i memetyczne
Mem, systemy memetyczne (P. Moscato)
Mem to nazwa jednostki ewolucji kulturowej, analogicznej do genu będącego jednostką ewolucji biologicznej. Jego oddziaływanie widoczne jest dzięki obserwacji efektów socjotypowych.
Mem jest jednostką informacji zapisanej w mózgu lub na innym nośniku. Pojecie memu i socjotypu zlewa się.
Mem jest autonomiczną strukturą neuronalną w mózgu, która jest nośnikiem informacji kulturowej.
Wynikiem ekspresji memów są socjotypy, przybierające postać języków, melodii, projektów, wartości moralnych i estetycznych, wzorów działania itp.
Algorytmy kulturowe i memetyczne
Mem, systemy memetyczne (P. Moscato)
Mem to nazwa jednostki ewolucji kulturowej, analogicznej do genu będącego jednostką ewolucji biologicznej. Jego oddziaływanie widoczne jest dzięki obserwacji efektów socjotypowych.
Mem jest jednostką informacji zapisanej w mózgu lub na innym nośniku. Pojecie memu i socjotypu zlewa się.
Mem jest autonomiczną strukturą neuronalną w mózgu, która jest nośnikiem informacji kulturowej.
Wynikiem ekspresji memów są socjotypy, przybierające postać języków, melodii, projektów, wartości moralnych i estetycznych, wzorów działania itp.
Algorytmy kulturowe i memetyczne
Mem, systemy memetyczne (P. Moscato)
Mem to nazwa jednostki ewolucji kulturowej, analogicznej do genu będącego jednostką ewolucji biologicznej. Jego oddziaływanie widoczne jest dzięki obserwacji efektów socjotypowych.
Mem jest jednostką informacji zapisanej w mózgu lub na innym nośniku. Pojecie memu i socjotypu zlewa się.
Mem jest autonomiczną strukturą neuronalną w mózgu, która jest nośnikiem informacji kulturowej.
Wynikiem ekspresji memów są socjotypy, przybierające postać języków, melodii, projektów, wartości moralnych i estetycznych, wzorów działania itp.
Algorytmy kulturowe i memetyczne
Algorytmy memetyczne
Mem (R. Dawkins): hipotetyczna jednostka naśladownictwa (przekazu kulturowego)
Memy propagują się „przeskakując z mózgu do mózgu” Memy nie podlegają ograniczeniom ewolucji biologicznej
(darwinowskiej): memy nabyte w okresie życia osobniczego mogą być bezpośrednio przekazywane potomstwu
Pewne podobieństwo do ewolucji lamarckowskiej (dziedziczenie cech nabytych)
Efekt: znacznie szybsze tempo ewolucji
Idea: połączenie algorytmu genetycznego z heurystyką lokalnej optymalizacji (hybrydyzacja); lokalna optymalizacja rozumiana jako
„uczenie się” osobników
Termin wymyślony przez P. Moscato.
Algorytmy kulturowe i memetyczne
Algorytmy memetyczne
Mem (R. Dawkins): hipotetyczna jednostka naśladownictwa (przekazu kulturowego)
Memy propagują się „przeskakując z mózgu do mózgu”
Memy nie podlegają ograniczeniom ewolucji biologicznej
(darwinowskiej): memy nabyte w okresie życia osobniczego mogą być bezpośrednio przekazywane potomstwu
Pewne podobieństwo do ewolucji lamarckowskiej (dziedziczenie cech nabytych)
Efekt: znacznie szybsze tempo ewolucji
Idea: połączenie algorytmu genetycznego z heurystyką lokalnej optymalizacji (hybrydyzacja); lokalna optymalizacja rozumiana jako
„uczenie się” osobników
Termin wymyślony przez P. Moscato.
Algorytmy kulturowe i memetyczne
Algorytmy memetyczne
Mem (R. Dawkins): hipotetyczna jednostka naśladownictwa (przekazu kulturowego)
Memy propagują się „przeskakując z mózgu do mózgu”
Memy nie podlegają ograniczeniom ewolucji biologicznej
(darwinowskiej): memy nabyte w okresie życia osobniczego mogą być bezpośrednio przekazywane potomstwu
Pewne podobieństwo do ewolucji lamarckowskiej (dziedziczenie cech nabytych)
Efekt: znacznie szybsze tempo ewolucji
Idea: połączenie algorytmu genetycznego z heurystyką lokalnej optymalizacji (hybrydyzacja); lokalna optymalizacja rozumiana jako
„uczenie się” osobników
Termin wymyślony przez P. Moscato.
Algorytmy kulturowe i memetyczne
Algorytmy memetyczne
Mem (R. Dawkins): hipotetyczna jednostka naśladownictwa (przekazu kulturowego)
Memy propagują się „przeskakując z mózgu do mózgu”
Memy nie podlegają ograniczeniom ewolucji biologicznej
(darwinowskiej): memy nabyte w okresie życia osobniczego mogą być bezpośrednio przekazywane potomstwu
Pewne podobieństwo do ewolucji lamarckowskiej (dziedziczenie cech nabytych)
Efekt: znacznie szybsze tempo ewolucji
Idea: połączenie algorytmu genetycznego z heurystyką lokalnej optymalizacji (hybrydyzacja); lokalna optymalizacja rozumiana jako
„uczenie się” osobników
Termin wymyślony przez P. Moscato.
Algorytmy kulturowe i memetyczne
Algorytmy memetyczne
Mem (R. Dawkins): hipotetyczna jednostka naśladownictwa (przekazu kulturowego)
Memy propagują się „przeskakując z mózgu do mózgu”
Memy nie podlegają ograniczeniom ewolucji biologicznej
(darwinowskiej): memy nabyte w okresie życia osobniczego mogą być bezpośrednio przekazywane potomstwu
Pewne podobieństwo do ewolucji lamarckowskiej (dziedziczenie cech nabytych)
Efekt: znacznie szybsze tempo ewolucji
Idea: połączenie algorytmu genetycznego z heurystyką lokalnej optymalizacji (hybrydyzacja); lokalna optymalizacja rozumiana jako
„uczenie się” osobników
Termin wymyślony przez P. Moscato.
Algorytmy kulturowe i memetyczne
Algorytmy memetyczne
Mem (R. Dawkins): hipotetyczna jednostka naśladownictwa (przekazu kulturowego)
Memy propagują się „przeskakując z mózgu do mózgu”
Memy nie podlegają ograniczeniom ewolucji biologicznej
(darwinowskiej): memy nabyte w okresie życia osobniczego mogą być bezpośrednio przekazywane potomstwu
Pewne podobieństwo do ewolucji lamarckowskiej (dziedziczenie cech nabytych)
Efekt: znacznie szybsze tempo ewolucji
Idea: połączenie algorytmu genetycznego z heurystyką lokalnej optymalizacji (hybrydyzacja); lokalna optymalizacja rozumiana jako
„uczenie się” osobników
Termin wymyślony przez P. Moscato.
Algorytmy kulturowe i memetyczne
Algorytmy memetyczne
Mem (R. Dawkins): hipotetyczna jednostka naśladownictwa (przekazu kulturowego)
Memy propagują się „przeskakując z mózgu do mózgu”
Memy nie podlegają ograniczeniom ewolucji biologicznej
(darwinowskiej): memy nabyte w okresie życia osobniczego mogą być bezpośrednio przekazywane potomstwu
Pewne podobieństwo do ewolucji lamarckowskiej (dziedziczenie cech nabytych)
Efekt: znacznie szybsze tempo ewolucji
Idea: połączenie algorytmu genetycznego z heurystyką lokalnej optymalizacji (hybrydyzacja); lokalna optymalizacja rozumiana jako
„uczenie się” osobników
Termin wymyślony przez P. Moscato.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne” osobników („lokalne” podpopulacje)
Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja)
fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne” osobników („lokalne” podpopulacje)
Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja)
Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne” osobników („lokalne” podpopulacje)
Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne” osobników („lokalne” podpopulacje)
Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja)
zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne” osobników („lokalne” podpopulacje)
Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne” osobników („lokalne” podpopulacje)
Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne”
osobników („lokalne” podpopulacje)
Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne”
osobników („lokalne” podpopulacje) Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne”
osobników („lokalne” podpopulacje) Implementacje hierarchiczne i współbieżne
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Ogólna charakterystyka
Krok ewolucyjny obejmuje:
fazę naprawy/ulepszania osobników(-lokalna optymalizacja) fazę interakcji osobników
(współzawodnictwo/kooperacja)(-selekcja/rekombinacja) Algorytm lokalnej optymalizacji
może wykorzystywać wiedzę o problemie (specjalizacja) zastępuje lub uzupełnia mechanizm mutacji
Interakcja może uwzględniać „rozmieszczenie geograficzne”
osobników („lokalne” podpopulacje) Implementacje hierarchiczne i współbieżne
osobników („lokalne” podpopulacje) Implementacje hierarchiczne i współbieżne