Algorytmy kulturowe i memetyczne
Adaptacyjne Przetwarzanie Ewolucyjne
B¨ack (1996) sugeruje, że samodostosowanie jest potężnym narzędziem w bazujących na populacjach modelach SE
Angeline (1995) pokazał, że samodostosowanie może mieć miejsce na poziomie populacji, jednostki i poziomie składników.
Algorytmy kulturowe i memetyczne
Adaptacyjne Przetwarzanie Ewolucyjne
B¨ack (1996) sugeruje, że samodostosowanie jest potężnym narzędziem w bazujących na populacjach modelach SE
Angeline (1995) pokazał, że samodostosowanie może mieć miejsce na poziomie populacji, jednostki i poziomie składników.
Algorytmy kulturowe i memetyczne
Adaptacyjne Przetwarzanie Ewolucyjne
B¨ack (1996) sugeruje, że samodostosowanie jest potężnym narzędziem w bazujących na populacjach modelach SE
Angeline (1995) pokazał, że samodostosowanie może mieć miejsce na poziomie populacji, jednostki i poziomie składników.
Algorytmy kulturowe i memetyczne
Definicja kultury
Kultura może być narzędziem do składowania informacji w formie niezależnej od jednostki lub jednostek, które ją wytworzyły i jest
potencjalnie dostępna dla wszystkich członków społeczeństwa. Jako taka kultura jest użyteczna w kierowaniu rozwiązywaniem problemu i
współpracy jednostek w populacji. To zapewnia systematyczny sposób wykorzystania samodostosowującej się wiedzy do kierowania rozwojem populacji.
Algorytmy kulturowe i memetyczne
Definicja kultury
E. B. Taylor w 1871 r. („Prymitywne kultury”) opisał kulturę jako złożoną całość, która zawiera wiedzę, wiarę, sztukę, moralność, obyczaje i wszystkie inne zdolności i przyzwyczajenia nabyte przez człowieka jako członka społeczności.
Katalog składników kultury Murdocha (1957 r.)
Morris Freilich (1977): Kultura należy do rodziny systemów doradczych.
Rada jest jednostką informacji, która czyni jeden sposób zachowania bardziej prawdopodobnym niż [inny...]. Ludzie, którzy dzielą wspólną przestrzeń – członkowie tej samej społeczności geograficznej – dzielą liczbę rad. Wśród takich dzielonych rad wyróżniłbym naturalne rady [psychologiczne...] kierujące, klimatyczne, itp) od obyczajowych (rad, które człowiek tworzy i rozwija jako produkt uboczny społecznego współdziałania). Kultura jako członek rodziny systemów doradczych należy do standardów podrodzinnych.
Algorytmy kulturowe i memetyczne
Algorytmy kulturowe
AK są widziane jako podwójne dziedziczenie systemu, gdzie w każdym kroku wiedza na poziomie populacji i poziomie przekonań jest przekazywana do następnego pokolenia (Durham, 1991). Algorytmy kulturowe zostały rozwinięte przez R. Reynolds’a w 1997 r. aby modelować rozwój systemów kulturowych bazujących na zasadach rozwoju ludzkiego społeczeństwa.
Algorytmy kulturowe i memetyczne
Algorytmy kulturowe
AK są widziane jako podwójne dziedziczenie systemu, gdzie w każdym kroku wiedza na poziomie populacji i poziomie przekonań jest przekazywana do następnego pokolenia (Durham, 1991).
Algorytmy kulturowe zostały rozwinięte przez R. Reynolds’a w 1997 r. aby modelować rozwój systemów kulturowych bazujących na zasadach rozwoju ludzkiego społeczeństwa.
Algorytmy kulturowe i memetyczne
Algorytmy kulturowe
AK są widziane jako podwójne dziedziczenie systemu, gdzie w każdym kroku wiedza na poziomie populacji i poziomie przekonań jest przekazywana do następnego pokolenia (Durham, 1991).
Algorytmy kulturowe zostały rozwinięte przez R. Reynolds’a w 1997 r. aby modelować rozwój systemów kulturowych bazujących na zasadach rozwoju ludzkiego społeczeństwa.
Algorytmy kulturowe i memetyczne
Rola kultury
Rola normatywna – kultura reprezentuje „właściwe zachowanie” jednostek w społeczeństwie (Goodenough, 1981).
Clifford Geertz (1973) : uporządkowany system znaczeń i symboli, które mają miejsce w społecznym współdziałaniu. Kultura jest strukturą znaczeń interpretowanych przez człowieka poprzez jego doświadczenia i jego działania.
Kultura składa się z dzielonych zjawisk ideowych (wartości, idee, wiara), które mogą być użyte do interpretacji doświadczeń jednostki i kierowania zachowaniem jednostki.
Możemy spojrzeć na proces ewolucji kulturowej jak na narzędzie do wzmacniania jednostkowego i grupowego zachowania i budowania zgody.
Algorytmy kulturowe i memetyczne
Rola kultury
Rola normatywna – kultura reprezentuje „właściwe zachowanie”
jednostek w społeczeństwie (Goodenough, 1981).
Clifford Geertz (1973) : uporządkowany system znaczeń i symboli, które mają miejsce w społecznym współdziałaniu. Kultura jest strukturą znaczeń interpretowanych przez człowieka poprzez jego doświadczenia i jego działania.
Kultura składa się z dzielonych zjawisk ideowych (wartości, idee, wiara), które mogą być użyte do interpretacji doświadczeń jednostki i kierowania zachowaniem jednostki.
Możemy spojrzeć na proces ewolucji kulturowej jak na narzędzie do wzmacniania jednostkowego i grupowego zachowania i budowania zgody.
Algorytmy kulturowe i memetyczne
Rola kultury
Rola normatywna – kultura reprezentuje „właściwe zachowanie”
jednostek w społeczeństwie (Goodenough, 1981).
Clifford Geertz (1973) : uporządkowany system znaczeń i symboli, które mają miejsce w społecznym współdziałaniu. Kultura jest strukturą znaczeń interpretowanych przez człowieka poprzez jego doświadczenia i jego działania.
Kultura składa się z dzielonych zjawisk ideowych (wartości, idee, wiara), które mogą być użyte do interpretacji doświadczeń jednostki i kierowania zachowaniem jednostki.
Możemy spojrzeć na proces ewolucji kulturowej jak na narzędzie do wzmacniania jednostkowego i grupowego zachowania i budowania zgody.
Algorytmy kulturowe i memetyczne
Rola kultury
Rola normatywna – kultura reprezentuje „właściwe zachowanie”
jednostek w społeczeństwie (Goodenough, 1981).
Clifford Geertz (1973) : uporządkowany system znaczeń i symboli, które mają miejsce w społecznym współdziałaniu. Kultura jest strukturą znaczeń interpretowanych przez człowieka poprzez jego doświadczenia i jego działania.
Kultura składa się z dzielonych zjawisk ideowych (wartości, idee, wiara), które mogą być użyte do interpretacji doświadczeń jednostki i kierowania zachowaniem jednostki.
Możemy spojrzeć na proces ewolucji kulturowej jak na narzędzie do wzmacniania jednostkowego i grupowego zachowania i budowania zgody.
Algorytmy kulturowe i memetyczne
Rola kultury
Rola normatywna – kultura reprezentuje „właściwe zachowanie”
jednostek w społeczeństwie (Goodenough, 1981).
Clifford Geertz (1973) : uporządkowany system znaczeń i symboli, które mają miejsce w społecznym współdziałaniu. Kultura jest strukturą znaczeń interpretowanych przez człowieka poprzez jego doświadczenia i jego działania.
Kultura składa się z dzielonych zjawisk ideowych (wartości, idee, wiara), które mogą być użyte do interpretacji doświadczeń jednostki i kierowania zachowaniem jednostki.
Możemy spojrzeć na proces ewolucji kulturowej jak na narzędzie do wzmacniania jednostkowego i grupowego zachowania i budowania zgody.
Algorytmy kulturowe i memetyczne
Algorytm kulturowy - pseudokod begin
t = 0;
Inicjalizacja Pt; Inicjalizacja Bt; repeat
Ewaluacja Pt;
Dopasuj( Bt, Akceptacja( Pt );
Zmiana( Pt, Wpływ( Bt ) );
t := t + 1;
Wybór Pt z Pt−1
until spełniony warunek końcowy end
Algorytmy kulturowe i memetyczne
Algorytm kulturowy - pseudokod
Jednostki są oceniane przy użyciu funkcji wydajności. Informacja o wydajności reprezentuje doświadczenie jednostki w rozwiązywaniu problemu.
Funkcja akceptacji określa, które jednostki w danej populacji są zdolne do wpływania lub oddawania głosów mających wpływ na bieżące przekonania.
Doświadczenie wybranych jednostek jest używane do regulowania bieżących przekonań grupowych. Przekonania grupowe są używane do kierowania i wpływania na ewolucję populacji w następnym kroku, gdzie parametry samodostosowania mogą być zaczerpnięte z przestrzeni przekonań. Informacja, która jest pamiętana w
przestrzeni przekonań może odnosić się do jakiegokolwiek niższego poziomu, np populacji, jednostki lub składników. W wyniku tego przestrzeń przekonań może być używana do kontrolowania samodostosowania na dowolnym lub na wszystkich poziomach.
Algorytmy kulturowe i memetyczne
Algorytm kulturowy - pseudokod
Jednostki są oceniane przy użyciu funkcji wydajności. Informacja o wydajności reprezentuje doświadczenie jednostki w rozwiązywaniu problemu.
Funkcja akceptacji określa, które jednostki w danej populacji są zdolne do wpływania lub oddawania głosów mających wpływ na bieżące przekonania.
Doświadczenie wybranych jednostek jest używane do regulowania bieżących przekonań grupowych. Przekonania grupowe są używane do kierowania i wpływania na ewolucję populacji w następnym kroku, gdzie parametry samodostosowania mogą być zaczerpnięte z przestrzeni przekonań. Informacja, która jest pamiętana w
przestrzeni przekonań może odnosić się do jakiegokolwiek niższego poziomu, np populacji, jednostki lub składników. W wyniku tego przestrzeń przekonań może być używana do kontrolowania samodostosowania na dowolnym lub na wszystkich poziomach.
Algorytmy kulturowe i memetyczne
Algorytm kulturowy - pseudokod
Jednostki są oceniane przy użyciu funkcji wydajności. Informacja o wydajności reprezentuje doświadczenie jednostki w rozwiązywaniu problemu.
Funkcja akceptacji określa, które jednostki w danej populacji są zdolne do wpływania lub oddawania głosów mających wpływ na bieżące przekonania.
Doświadczenie wybranych jednostek jest używane do regulowania bieżących przekonań grupowych. Przekonania grupowe są używane do kierowania i wpływania na ewolucję populacji w następnym kroku, gdzie parametry samodostosowania mogą być zaczerpnięte z przestrzeni przekonań. Informacja, która jest pamiętana w
przestrzeni przekonań może odnosić się do jakiegokolwiek niższego poziomu, np populacji, jednostki lub składników. W wyniku tego przestrzeń przekonań może być używana do kontrolowania samodostosowania na dowolnym lub na wszystkich poziomach.
Algorytmy kulturowe i memetyczne
Algorytm kulturowy - pseudokod
Jednostki są oceniane przy użyciu funkcji wydajności. Informacja o wydajności reprezentuje doświadczenie jednostki w rozwiązywaniu problemu.
Funkcja akceptacji określa, które jednostki w danej populacji są zdolne do wpływania lub oddawania głosów mających wpływ na bieżące przekonania.
Doświadczenie wybranych jednostek jest używane do regulowania bieżących przekonań grupowych. Przekonania grupowe są używane do kierowania i wpływania na ewolucję populacji w następnym kroku, gdzie parametry samodostosowania mogą być zaczerpnięte z przestrzeni przekonań. Informacja, która jest pamiętana w
przestrzeni przekonań może odnosić się do jakiegokolwiek niższego poziomu, np populacji, jednostki lub składników. W wyniku tego przestrzeń przekonań może być używana do kontrolowania samodostosowania na dowolnym lub na wszystkich poziomach.
Algorytmy kulturowe i memetyczne
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
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
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
Znacząca przewaga pod względem skuteczności w stosunku do zwykłych algorytmów genetycznych
Przykłady: CCA, SAGA, ASPARAGOS, GLS.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman)
Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu
Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Przykładowy system CCA
CCA: Competitive –Cooperative Approach (P. Moscato, M. Norman) Zadanie: problem komiwojażera
Populacja 16-elementowa, rozmieszczona na okręgu Operatory:
lokalnej optymalizacji (algorytm Metropolisa z operacjami:
odwrócenie segmentu, przestawianie wierzchołka, przestawianie pary wierzchołków połączonych krawędzią)
selekcji („pojedynki” rozstrzygane wg reguły akceptacji Metropolisa między bezpośrednimi sąsaiadami na okręgu)
mieszania (krzyżowanie porządkowe OX, między sąsiadami odległymi o 4 pozycje na okręgu)
Cykl podstawowy: optymalizacja lokalna, współzawodnictwo, optymalizacja lokalna, kooperacja
zmiana temperatury wg schematu geometrycznego.
Algorytmy kulturowe i memetyczne
Lamarckizm vs. efekt Baldwina
Hipoteza Baldwina: plastyczność fenotypów wpływa na kierunek ewolucji (osobniki zdolne do uczenia się uzyskują przewagę selekcyjną)
Symulacja efektu Baldwina; wykonujemy lokalną optymalizację „na boku” w celu wyznaczenia wskaźnika dostosowania; kod genetyczny pozostaje bez zmian
Podsumowanie:
„lamarckizm”: lokalna optymalizacja prowadzi do zmiany osobnika (redukcja przestrzeni poszukiwań)
efekt Baldwina: lokalna optymalizacja prowadzi do zmiany wskaźnika dostosowania (spłaszczenie „krajobrazu przystosowawczego” w obrębie basenów przyciągania)
Nowe kierunki badań: analiza „krajobrazu przystosowawczego”, korelacje między lokalnymi optimami dla konkretnych typów zadań optymalizacyjnych i algorytmów optymalizacji lokalnej,
Algorytmy kulturowe i memetyczne
Lamarckizm vs. efekt Baldwina
Hipoteza Baldwina: plastyczność fenotypów wpływa na kierunek ewolucji (osobniki zdolne do uczenia się uzyskują przewagę selekcyjną)
Symulacja efektu Baldwina; wykonujemy lokalną optymalizację „na boku” w celu wyznaczenia wskaźnika dostosowania; kod genetyczny pozostaje bez zmian
Podsumowanie:
„lamarckizm”: lokalna optymalizacja prowadzi do zmiany osobnika (redukcja przestrzeni poszukiwań)
efekt Baldwina: lokalna optymalizacja prowadzi do zmiany wskaźnika dostosowania (spłaszczenie „krajobrazu przystosowawczego” w obrębie basenów przyciągania)
Nowe kierunki badań: analiza „krajobrazu przystosowawczego”, korelacje między lokalnymi optimami dla konkretnych typów zadań optymalizacyjnych i algorytmów optymalizacji lokalnej,
Algorytmy kulturowe i memetyczne
Lamarckizm vs. efekt Baldwina
Hipoteza Baldwina: plastyczność fenotypów wpływa na kierunek ewolucji (osobniki zdolne do uczenia się uzyskują przewagę selekcyjną)
Symulacja efektu Baldwina; wykonujemy lokalną optymalizację „na boku” w celu wyznaczenia wskaźnika dostosowania; kod genetyczny pozostaje bez zmian
Podsumowanie:
„lamarckizm”: lokalna optymalizacja prowadzi do zmiany osobnika (redukcja przestrzeni poszukiwań)
efekt Baldwina: lokalna optymalizacja prowadzi do zmiany wskaźnika dostosowania (spłaszczenie „krajobrazu przystosowawczego” w obrębie basenów przyciągania)
Nowe kierunki badań: analiza „krajobrazu przystosowawczego”, korelacje między lokalnymi optimami dla konkretnych typów zadań optymalizacyjnych i algorytmów optymalizacji lokalnej,
Algorytmy kulturowe i memetyczne
Lamarckizm vs. efekt Baldwina
Hipoteza Baldwina: plastyczność fenotypów wpływa na kierunek ewolucji (osobniki zdolne do uczenia się uzyskują przewagę selekcyjną)
Symulacja efektu Baldwina; wykonujemy lokalną optymalizację „na boku” w celu wyznaczenia wskaźnika dostosowania; kod genetyczny pozostaje bez zmian
Podsumowanie:
„lamarckizm”: lokalna optymalizacja prowadzi do zmiany osobnika (redukcja przestrzeni poszukiwań)
efekt Baldwina: lokalna optymalizacja prowadzi do zmiany wskaźnika dostosowania (spłaszczenie „krajobrazu przystosowawczego” w obrębie basenów przyciągania)
Nowe kierunki badań: analiza „krajobrazu przystosowawczego”, korelacje między lokalnymi optimami dla konkretnych typów zadań optymalizacyjnych i algorytmów optymalizacji lokalnej,
Algorytmy kulturowe i memetyczne
Lamarckizm vs. efekt Baldwina
Hipoteza Baldwina: plastyczność fenotypów wpływa na kierunek ewolucji (osobniki zdolne do uczenia się uzyskują przewagę selekcyjną)
Symulacja efektu Baldwina; wykonujemy lokalną optymalizację „na boku” w celu wyznaczenia wskaźnika dostosowania; kod genetyczny pozostaje bez zmian
Podsumowanie:
„lamarckizm”: lokalna optymalizacja prowadzi do zmiany osobnika (redukcja przestrzeni poszukiwań)
efekt Baldwina: lokalna optymalizacja prowadzi do zmiany wskaźnika dostosowania (spłaszczenie „krajobrazu przystosowawczego” w obrębie basenów przyciągania)
Nowe kierunki badań: analiza „krajobrazu przystosowawczego”, korelacje między lokalnymi optimami dla konkretnych typów zadań optymalizacyjnych i algorytmów optymalizacji lokalnej,
Algorytmy kulturowe i memetyczne
Lamarckizm vs. efekt Baldwina
Hipoteza Baldwina: plastyczność fenotypów wpływa na kierunek ewolucji (osobniki zdolne do uczenia się uzyskują przewagę selekcyjną)
Symulacja efektu Baldwina; wykonujemy lokalną optymalizację „na boku” w celu wyznaczenia wskaźnika dostosowania; kod genetyczny pozostaje bez zmian
Podsumowanie:
„lamarckizm”: lokalna optymalizacja prowadzi do zmiany osobnika (redukcja przestrzeni poszukiwań)
efekt Baldwina: lokalna optymalizacja prowadzi do zmiany wskaźnika dostosowania (spłaszczenie „krajobrazu przystosowawczego” w obrębie basenów przyciągania)
Nowe kierunki badań: analiza „krajobrazu przystosowawczego”, korelacje między lokalnymi optimami dla konkretnych typów zadań optymalizacyjnych i algorytmów optymalizacji lokalnej,
