Am2015 Slides8

Tehnici nrudite cu calculul evolutiv
Modelul sistemului imunitar (AIS Artificial Immune systems)
Algoritmi evolutivi bazati pe diferene (DE Differential

Evolution)
Algoritmi bazai pe estimarea unei distribuii de probabilitate

(PMB - Probabilistic Model Building Algorithms)
Algoritmi de cutare bazai pe liste tabu (TS Tabu Search)
Algoritmi memetici (MA Memetic Algorithms)
Metaeuristici - Curs 8 1
Sisteme imunitare naturale/artificiale
Sistem imunitar natural: un sistem complex de componente

celulare i moleculare avnd rolul de a identifica ceea ce este
propriu organismului i de a-l apra impotriva organismelor i
substanelor strine (agenii patogeni de tipul microbilor i
viruilor).
Sistem imunitar artificial (AIS Artificial Immune Systems): sistem

adaptiv inspirat de imunologie si aplicat in rezolvarea unor
probleme complexe [De Castro and Timmis,2002]
http://www-users.cs.york.ac.uk/jtimmis/utm/ais-course.html
Sisteme imunitare artificiale
Scurt istoric: domeniu iniiat la mijlocul anilor 1980
1990 Ishida prima utilizare a algoritmilor inspirai de

imunologie n rezolvarea problemelor
Mijlocul anilor 1990:

Forrest et al: aplicaii n securitatea calculatoarelor
Hunt et al: aplicaii n analiza datelor
Inceputul anilor 2000
deCastro, Timmis: optimizare multimodal
Tendina actual: modelarea caracteristicilor sistemului biologic
[http://www-users.cs.york.ac.uk/jtimmis/utm/ais-course.html]
Caracteristici
Sistem imunitar artificial
Sistem imunitar natural
Specific fiecrui individ
Distribuit Robustee
Detecie a anomaliilor Scalabilitate
Invare/adaptare Flexibilitate
Memorie
Extragere caracteristici
http://www-users.cs.york.ac.uk/jtimmis/utm/ais-course.html
Aplicaii
1. Detecie anomalii i securitatea sistemelor informaionale;
2. Analiza datelor (clasificare, recunoatere forme, clustering

etc)
3. Planificare;
4. Cutare i optimizare;
5. Auto-organizare i control autonom;
Specificul sistemului imunitar natural: dou componente:
- Innscut (motenit de la prini) se bazeaz pe granulocite

(neutrofile, eozinofile si bazofile) i celule macrofage
- Dobndit pe parcursul vietii se bazeaza pe limfocite (celule B i celule

T)
Specificul sistemului imunitar natural
Innascut - static
(mostenit de la vs Dobandit de-a lungul vietii
parinti) dinamic (adaptiv)
Mediat prin vs Umoral

celule
Celula de tip T
(Helper)
Celula de tip B
Celula de tip T secreta
(Killer) anticorpi
Specificul sistemului imunitar natural diferite nivele de aciune
Pathogens
Skin
Biochemical Primul nivel

barriers
Phagocyte
Innate
immune Al doilea nivel
response
Lymphocytes
Adaptive Al treilea nivel

immune
response
Componenta adaptiv a sistemului imunitar (acioneaz la al treilea nivel)
se caracterizeaz prin abiliti de:
- Memorare (capacitatea de a-i reaminti de contactul anterior cu
ageni patogeni i de a reaciona mai rapid la un nou contact)
- Invare (capacitatea de a recunoate ageni patogeni nentlnii
anterior)
a) Elementele active: limfocite
- Conin receptori specifici pentru recunoaterea antigenilor (organismele

conin un repertoriu de milioane de receptori)
- Sunt de dou tipuri:
- Celule de tip B
- Sintetizate n mduva oaselor (bone marrow)
- Contin receptori numii anticorpi recunoterea se bazeaz pe
complementaritatea ntre regiunea de legare (binding region
sau paratop) a anticorpului i o regiune specific a antigenului
(epitop)
- Celule de tip T: sintetizate de ctre glanda numita timus
Mecanisme principale:
Selecie negativ: cenzurarea celulelor de tip T al cror rol este s
identifice ce este propriu organismului (definesc comportamentul
normal)
Selectie clonal: proliferarea i diferenierea celulelor care au recunoscut

un antigen (nvare i generalizare)
Maturizarea afinitii: afinitatea celulelor (de tip B) care au recunoscut un

antigen este ntrit prin
Mutaii asupra receptorilor (probabilitatea de mutaie este invers
proporional cu afinitatea)
Stocarea celulelor cu afinitate crescuta ntr-un bazin de celule cu
memorie (celule B cu rol de memorie)
Eliminarea celulelor cu comportament incorect
Mecanisme principale:
Clonal deletion
(negative selection)
Self-antigen Proliferation
(Cloning) M
Antibody
Memory cells
Selection
Differentiation
Plasma cells
Foreign antigens
Self-antigen
Clonal deletion
(negative selection)
Modul de aciune al sistemului imunitar natural
Modul de aciune al sistemului imunitar natural
Primary Response Secondary Response Cross-Reactive

Response
Antibody Concentration
Lag
Lag
Response Response to
Lag to Ag1 Ag1 + Ag3
...
Response
to Ag1 Response
to Ag2
...
... ...
Antigens Time
Antigen Ag1 Antigen
Ag1, Ag2 Ag1 + Ag3
Reacie primar: primul rspuns Reacie secundar: reacie mai

la atacul unui antigen rapid bazat pe rememorarea
atacurilor anterioare
Principiul rezolvrii problemelor cu AIS:
Problema de rezolvat = mediul in care este plasat organismul
Soluia problemei = antigen
Estimator al soluiei (element al populaiei) = anticorp
Msur a calitii unui estimator = afinitate
Principiul rezolvrii problemelor cu AIS[DeCastro, Timmis, 2002]
Solutie
Algoritmi
Valori binare
Afinitate
Valori discrete
valori reale
Reprezentare
valori simbolice
Aplicatie
Principiul rezolvarii problemelor cu AIS[DeCastro, Timmis, 2002]
Solutie
Algoritmi Corelat cu o
distan
Euclidean
Afinitate Manhattan
Hamming
Reprezentare
Aplicatie
Principiul rezolvarii problemelor cu AIS [DeCastro, Timmis, 2002]
Solutie
Clonal Selection
Negative Selection
Algoritmi Immune Network Models
Positive Selection
Bone Marrow Algorithms
Afinitate
Reprezentare
Aplicatie
Algoritmul CLONALG (Selecie clonal)
Initializare
REPEAT
Antigenic presentation (contact cu antigenul)
a. Affinity evaluation (evaluarea afinitii)
b. Clonal selection and expansion (selecie clonal
i multiplicare)
c. Affinity maturation (maturizarea afinitii)
d. Metadynamics (modificare prin mutaie
aleatoare)
UNTIL conditie de oprire
Algoritmul CLONALG (Selectie clonala)
Creeaz o populaie de
Initializare indivizi (anticorpi)
REPEAT
b. Clonal selection and expansion (selecie
clonal i multiplicare)
aleatoare)
Initializare
REPEAT
clonala si multiplicare)
c. Affinity maturation (maturizarea afinitatii)
d. Metadynamics (modificare prin mutatie
aleatoare)
Pentru fiecare ablon antigenic (dat din
setul de intrare sau element al
populaiei) se efectueaz prelucrrile a-
d
Initializare
REPEAT
clonal i multiplicare)
aleatoare) Calculeaz afinitatea
UNTIL conditie de oprire a) Pb de analiz a datelor: afinitatea e cu att
mai mare cu ct similaritatea dintre data de
intrare (antigen) i elementul populaiei
(anticorp) este mai mare
b) Pb de optimizare: afinitatea e cu att mai
mare cu cat valoarea fitness-ului (corelat
cu
funcia obiectiv) este mai mare
Initializare
REPEAT
a. Affinity evaluation (evaluarea afinitatii)
b. Clonal selection and expansion (selectie
clonala si multiplicare)
aleatoare)
Selecteaz n elemente din P n ordinea
UNTIL conditie de oprire descrescatoare a afinitii
Genereaza pt. fiecare element selectat
din P un numr de clone direct
proporional cu afinitatea.
Initializare
REPEAT
b. Clonal selection and expansion (selectie clonala si multiplicare)
d. Metadynamics (modificare prin mutaie aleatoare)
Aplic mutaie fiecrei clone
Rata de mutaie e invers proporional cu afinitatea
Se adaug indivizii obtinui prin mutaie la populaie
Se evalueaz afinitatea pentru indivizii adugai i cel cu
afinitatea maxim este memorat
Initializare
REPEAT
b. Clonal selection and expansion (selectie clonala si multiplicare)
aleatoare)
O parte dintre indivizii cu afinitate mic sunt
nlocuii cu elemente generate aleator
Aplicaii ale algoritmului CLONALG (Selecie clonal)
- Recunoatere forme = generare detectori pentru recunoaterea

unor simboluri reprezentate prin bitmap-uri
Obs: afinitatea se msoar folosind distana Hamming
p1 1 0 1 1 0 1 1 0 1 1 0 1
p 0 1 0 0 1 0 0 0 0 1 1 0
2
P = p3 = 1 1 0 0 1 0 0 1 0 0 1 0

p4 1 0 1 0 0 1 1 0 1 1 0 1
p5 1 1 1 1 0 1 1 1 1 0 0 1
Aplicatii ale algoritmului CLONALG (Selectie clonala)
- Optimizare multi-modal = identificarea tuturor optimelor (globale

i locale) ale unei funcii
Proprieti ale algoritmului CLONALG (Selecie clonal)
- Structura general este similar cu cea a unui algoritm evolutiv (n

ipoteza c rolul fitness-ului este transferat msurii de afinitate)
- Elementele specifice se refer la:

- Procesul de clonare controlat de valoarea afinitii
- Probabilitatea de mutaie este invers proporional cu valoarea
afinitii
- Elementele cu afinitate mic sunt nlocuite cu elemente
aleatoare
Algoritm de selecie negativ
- Se bazeaz pe principiul discriminrii dintre propriu (self) i strin (non-

self)
- Elementele de tip propriu se consider ca fiind reprezentri ale
comportamentului normal al unui sistem aceste reprezentri formeaz
un set S
- Scopul algoritmului este s genereze un set de detectori D care nu se
potrivesc cu elementele din S (detectori ai elementelor strine
corespund unor comportamente anormale)
- Algoritmul monitorizeaz comportarea sistemului pentru a detecta apariia
n S a unor elemente care se potrivesc cu detectorii din D - reprezint
semnalul unui comportament anormal al sistemului
Self
strings (S)
1. Generare set detectori
Generate
random strings Match Detector
(R0) No Set (R)
Yes
Reject
Detector Set
(R)
2. Monitorizare sistem
Protected
Match No
Strings (S)
Aplicaii: securitatea Yes
calculatoarelor (detecie Non-self

Detected
intrui) aplicabilitatea este
totusi limitat Metaeuristici - Curs 8 29
J.Timmis, P. Andrews, N. Owens, E. Clark An Interdisciplinary Perspective of

Artificial Immune Systems, Evolutionary Intelligence, Volume 1, Number 1, 5-26,
2008
Algoritmul aiNET
Initializare
REPEAT
b. Clonal selection and expansion (selecie clonal i multiplicare)
d. Metadynamics (modificare prin mutaie aleatoare)
e. Clonal suppression (eliminarea clonelor cu afinitate mica)
Network interactions (analiza interaciunilor dintre anticorpii reelei =
calcul afinitate ntre perechi de anticorpi)
Network suppression (eliminarea anticorpilor similari cu ali anticorpi)
Diversity (introducerea unor anticorpi aleatori)
Proprietati ale algoritmului aiNET:
aiNET este in mare parte similar cu algoritmul CLONALG cu

deosebirea ca utilizeaz un mecanism de supresie bazat pe
afinitatea dintre elementele populatiei
aiNET a fost initial utilizat pentru rezolvarea problemelor de

grupare a datelor (ulterior s-a artat ca are dificultati in gruparea
datelor cu distribuie neuniform)
aiNET a fost aplicat cu succes in rezolvarea problemelor de

optimizare multimodal
aiNET (analogia cu sistemul imunitar natural)
Sistem imunitar aiNET

Dat intern (soluie potenial a problemei,
Anticorp
model, element al populaiei)
Antigen Data de antrenare
Afinitate Msur a calitii unui element
Clonarea unei celule Duplicarea datelor interne
Hipermutatie somatica Mutaie invers proportional cu afinitatea
Reea imuna Reea de date interne
Metadinamica Eliminarea/crearea unor date interne
http://www.aickelin.com
aiNET - aplicatii in clustering
Training Pattern Result immune network
Training P atterns
1 1
11
1
11
1
1
1
11
1
11
11
111
1
111
1
11
11
1
11
1 1 11
111
11
11
11
1 1 11
111
1
11
11
1
1 1
1
111
11
1
1
1
1
1 1
111
1
1
1
11 2
2 1
1
1
11
1
1 5 55
11
11 2
22 2
2
222 11
1
1
1 5 55
5
1
11 22
22
2
22
22
22
2
22 111 55
55
5
55
5
55
5
5
55
5
55
5
55 5
0.8 1
1
1
11
1
1
1
1 222
2
2
22
22
2
2
22
2
2
22
2
222
22 11
1
1
11
166
666
66 55
6 55
555
55
55
555
5
555
1
11
1
1
1 222
2 2
2
22
22
22
2 1
1
1
11 5
5
555
5
5
55
55
5
5
5 5
5
5
1 22
2
2 2 1
11
1
1 5
5555 55
1
1
11
1
1
11
2 2 1
11
1
1
1
1 5 5 55
1
1
11
1 11
11 8
1
1
11
1
11 111
1
11 88
0.6
1 1
11
1
1
11
1
1
11
1
1
111
1
1
11
111
1
11
111
11
1
1
1
1
11
11
1 8888
1 1
11 77 8
88
7
77 888
4 4
777 88
88
7
7 88
8
4444 44 777 8
0.4 4
4 444 77 8
44444
4
4
44
44
4
4
4
4
4
44
4
44
444
44 77 88
8
8
4
4 444
444
44
4
44
4
44 44
4
4 7
7 88
44
44
444
4 44 7 7 88
8
4
44
4
44
44
4 444 7
77
7 888
7
77 88
4
33 43 77 8
3 3 3 8
0.2 3 3 33
3
3
333 3
33
3 7
7
777
8
888
33
33
33
3 333 7 88
33333
3
3
3333 33
3 7 88
8
333
3
3
3
33
33
3
3
3
3
3
33
3
3
3
3
333 7
8
8
8
3 33
3
33
33
3 3
33
3
3
7777
7 8
8
88
33333 7
77
8
7
0 7
0 0.2 0.4 0.6 0.8 1
aiNET - optimizare multimodala
Populatie initiala
Populatie finala
Differential Evolution (DE)
Creatori: Rainer Storn & Kenneth Price (1995)
Scop: optimizare n domenii continue
Idee: pentru fiecare element al populaiei curente:

se selecteaz aleator 3 elemente din populaie
Mutaia se bazeaz pe calculul diferenei dintre dou elemente
alese aleator din populaie i pe adugarea diferenei nmulit cu
un factor de scalare la un alt element aleator din populaie
(aceast operaie st la originea denumirii metodei)
elementul construit la etapa anterioar se ncrucieaz cu
elementul curent
dac noul element obinut prin ncruciare este mai bun dect
elementul curent atunci l inlocuiete
Structura general: identic cu cea a strategiilor evolutive
Problema: maximizare f:D RnR
Elemente
r1
X = {x1, ,xm } populatie curenta aleatoare
Y = {y1, ,ym } populatie de candidati + Fx

r2
-
Z = {z1, ,z m } populatie noua
r3
i

r1
x j
+ F ( x j
x j
r3 ), cu probabilitatea p candidat (Y)
yi =
j r2
xij , cu probabilitatea 1 p
r1,r2 ,r3 = indici aleatori din {1,..., m} Selectia celui mai bun
F (0 ,2], p (0 ,1] xi , f ( xi ) > f ( y i )

zi =
y i , f ( xi ) f ( y i )
Variante

x j
+ F ( x j
x r3 ) N (0,1),
j
cu probabilitatea p
yi =
j r1 r2

x j
+ F ( x j
x j
) + F ( x j
x j
r5 ), cu probabilitatea p
yi =
j r1 1 r2 r3 2 r4

* x j
+ (1 ) x j
+ F ( x j
x j
r3 ), cu probabilitatea p
yi =
j r1 r2
x* = cel mai bun element al populatiei
Taxonomie: DE/element de baz/numr de diferene/tip de ncruciare

(e.g. DE/rand/1/bin, DE/rand/2/bin, DE/best/1/bin etc.)
Parametri de control:
Factor de scalare (F):

- domeniu de valori: (0,2)
- valori mici: efect de cutare local;
pot conduce la situaii de convergen prematur
- valori mari: efect de cutare global
Probabilitate de ncruciare:
- valori mici (<0.5): adecvate pt probleme separabile (optimizarea
se poate realiza separat pe componente)
- valori mari (>0.5): adecvate pentru probleme neliniar separabile
Auto-adaptare [Brest, 2006]
- Se extinde fiecare element al populaiei cu dou componente,

una corespunztoare factorului de scalare iar cealalt
corespunztoare probabilitii de ncruciare
- La fiecare generaie parametrii se aleg uniform aleator n

intervalul corespunzator
Aplicaii:
- optimizare global, multicriterial, multimodal
- Analiza datelor (clustering, reguli de clasificare)
- Planificare activiti (grid scheduling)
- Prelucrarea imaginilor
Harmony Search (HS)
Sursa de inspiraie: modul de ajustare a tonalitilor n compoziia
muzical (Geem, 2001)
Structura general: similar cu structura de la DE
Element specific: modul de construire al unui nou element
xrj + bw( j ) U 3 daca U1 < p1 si U 2 < p2

yi =
j
xrj daca U1 < p1 si U 2 p2
U (a , b ) altfel
j j
Semnificaie notaii:
r = index aleator din {1,2...m,} (m= dim populaie)
U1,U2: variabile aleatoare uniform repartizate n [0,1]
U3 : variabil aleatoare uniform repartizat n [-1,1]
bw(j) = stdev(X(j)) (abatere standard a valorilor componentei j)
p1, p2: parametri control (ex: p1=0.9, p2=0.75)
Probabilistic Model Building
Algorithms
Specific: reprezint o clas de algoritmi care realizeaz cutarea
soluiei prin simularea unor distribuii de probabilitate
Alte denumiri/variante:
- Estimation of Distribution Algorithms (EDA) [Mhlenbein &
Paass, 1996]
- Iterated Density Estimation Algorithms (IDEA) [Bosman &
Thierens, 2000]
- Bayesian Optimization Algorithms (BOA) [Pelikan, Goldberg, &
Cantu-paz, 1998]
Idee: se nlocuiete mutaia i ncruciarea cu un proces de estimare
a unei distribuii de probabilitate a elementelor selectate iar noile
elemente sunt generate prin simulare n conformitate cu acea
distribuie de probabilitate
Observaie: n felul acesta se exploateaz distribuia elementelor
promitoare din populaie
Algorithms
Ilustrarea ideii [M.Pelikan Probabilistic Model Building GA Tutorial]
Algorithms
Structura general.
Pas 1: Iniializarea populatiei (m elemente)

Pas 2: REPEAT
selecteaz m<m elemente din populaia curent (n funcie de
calitatea lor)
estimeaz o distribuie de probabilitate folosind elementele
selectate
genereaz m elemente n conformitate cu distribuia de
probabilitate estimat
UNTIL <conditie de oprire>
Algorithms
Observaii:
Dificultatea principal const n estimarea distribuiei, n special
n cazul n care componentele elementelor (variabilele funciei
obiectiv) sunt corelate
Pentru simplificare se poate presupune ca variabilele sunt

independente; n acest caz probabilitatile corespunzatoare lor pot
fi estimate independent
Variante de algoritmi bazate pe ipoteza independenei:
- UMDA (Univariate Marginal Distribution Algorithm)
- PBIL (Probabilistic Based Incremental Learning)
Algorithms
UMDA (Mhlenbein, Paass, 1996)
m'

j =1
j ( X i = xi | S (t 1))
P t ( xi ) = probabilitatea corespunzatoare componentei i
m'
S(t-1 ) este populatia selectata la iteratia (t-1 )
j ( X i = xi | S (t 1)) = 1 daca al j - lea element selectat contine
valoarea xi pe componenta i
PBIL (Baluja, 1995)
m'

j =1
j ( X i = xi | S (t 1))
P t ( xi ) = (1 ) P ( t 1) ( xi ) +
m'
(0,1]
Memetic Algorithms
Creator: Pablo Moscato (1989)
Specific: hibridizarea algoritmilor evolutivi cu tehnici de cautare

locala cu scopul de a introduce in metoda cunostinte specifice
problemei de rezolvat
Denumire: memetic provine de la meme un termen introdus de

Richard Dawkins pentru a desemna unitatea de transmitere a
diferitelor entitati (biologice, culturale, materiale) ntre generaii
Variante: Hybrid Evolutionary Algorithms, Baldwinian Evolutionary

Algorithms, Lamarckian Evolutionary Algorithms, Cultural
Algorithms or Genetic Local Search
Memetic Algorithms
Structura general:
Pas 1: Iniializarea populatiei
Pas 2: WHILE <condiie de continuare>
evalueaz elementele populaiei
genereaz noi elemente aplicnd operatorii de evoluie (de
exemplu ncruciare i mutaie)
selecteaz o subpopulaie asupra creia se aplic operatori
specifici de cutare local (de exemplu Simulated Annealing sau
Tabu Search)
Observatii:
1. Cutarea local se poate baza pe o colecie de algoritmi dintre
care se alege la fiecare etap cte un algoritm (n manier
aleatoare)
2. Elementele ce definesc operatorii de cutare locala pot face
parte din componentele populaiei i pot fi transformate n
procesul de evoluie

Am2015 Slides8

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Am2015 Slides8

Încărcat de

Drepturi de autor:

Formate disponibile

Tehnici nrudite cu calculul evolutiv

Modelul sistemului imunitar (AIS Artificial Immune systems)

Algoritmi evolutivi bazati pe diferene (DE Differential

Algoritmi bazai pe estimarea unei distribuii de probabilitate

Algoritmi de cutare bazai pe liste tabu (TS Tabu Search)

Algoritmi memetici (MA Memetic Algorithms)

Sistem imunitar natural: un sistem complex de componente

Sistem imunitar artificial (AIS Artificial Immune Systems): sistem

1990 Ishida prima utilizare a algoritmilor inspirai de

Mijlocul anilor 1990:

Tendina actual: modelarea caracteristicilor sistemului biologic

1. Detecie anomalii i securitatea sistemelor informaionale;

2. Analiza datelor (clasificare, recunoatere forme, clustering

5. Auto-organizare i control autonom;

- Innscut (motenit de la prini) se bazeaz pe granulocite

- Dobndit pe parcursul vietii se bazeaza pe limfocite (celule B i celule

Mediat prin vs Umoral

Biochemical Primul nivel

Adaptive Al treilea nivel

a) Elementele active: limfocite

- Conin receptori specifici pentru recunoaterea antigenilor (organismele

Selectie clonal: proliferarea i diferenierea celulelor care au recunoscut

Maturizarea afinitii: afinitatea celulelor (de tip B) care au recunoscut un

Primary Response Secondary Response Cross-Reactive

Reacie primar: primul rspuns Reacie secundar: reacie mai

Problema de rezolvat = mediul in care este plasat organismul

Soluia problemei = antigen

Estimator al soluiei (element al populaiei) = anticorp

Msur a calitii unui estimator = afinitate

- Recunoatere forme = generare detectori pentru recunoaterea

Obs: afinitatea se msoar folosind distana Hamming

- Optimizare multi-modal = identificarea tuturor optimelor (globale

- Structura general este similar cu cea a unui algoritm evolutiv (n

- Elementele specifice se refer la:

- Se bazeaz pe principiul discriminrii dintre propriu (self) i strin (non-

Aplicaii: securitatea Yes

calculatoarelor (detecie Non-self

J.Timmis, P. Andrews, N. Owens, E. Clark An Interdisciplinary Perspective of

aiNET este in mare parte similar cu algoritmul CLONALG cu

aiNET a fost initial utilizat pentru rezolvarea problemelor de

aiNET a fost aplicat cu succes in rezolvarea problemelor de

Sistem imunitar aiNET

Afinitate Msur a calitii unui element

Clonarea unei celule Duplicarea datelor interne

Hipermutatie somatica Mutaie invers proportional cu afinitatea

Reea imuna Reea de date interne

Metadinamica Eliminarea/crearea unor date interne

Training Pattern Result immune network

0 0.2 0.4 0.6 0.8 1

Idee: pentru fiecare element al populaiei curente:

Y = {y1, ,ym } populatie de candidati + Fx

F (0 ,2], p (0 ,1] xi , f ( xi ) > f ( y i )

Taxonomie: DE/element de baz/numr de diferene/tip de ncruciare

Factor de scalare (F):

- Se extinde fiecare element al populaiei cu dou componente,

- La fiecare generaie parametrii se aleg uniform aleator n

Pas 1: Iniializarea populatiei (m elemente)

Pentru simplificare se poate presupune ca variabilele sunt

Specific: hibridizarea algoritmilor evolutivi cu tehnici de cautare

Denumire: memetic provine de la meme un termen introdus de

Variante: Hybrid Evolutionary Algorithms, Baldwinian Evolutionary

S-ar putea să vă placă și