Algorytm memetyczny

Algorytmy memetyczne stanowią jeden z ostatnio rozwijających się obszarów badań w obliczeniach ewolucyjnych . Termin MA jest obecnie powszechnie używany w odniesieniu do synergii podejścia ewolucyjnego lub dowolnego podejścia opartego na populacji z odrębnymi procedurami indywidualnego uczenia się lub lokalnego doskonalenia w poszukiwaniu problemów. Dość często algorytmy MA są również określane w literaturze jako algorytmy ewolucyjne Baldwina, algorytmy ewolucyjne Lamarcka, algorytmy kulturowe lub lokalne wyszukiwanie genetyczne.

Metaforyczne paralele, z jednej strony, do ewolucji darwinowskiej, a z drugiej strony, między memami i heurystykami specyficznymi dla domeny (wyszukiwanie lokalne) są uchwycone w algorytmach memetycznych, tworząc w ten sposób metodologię, która dobrze równoważy ogólność i specyfikę problemu. Ta dwuetapowa natura sprawia, że ​​są one szczególnym przypadkiem ewolucji dwufazowej .

Uczenie lamarckowskie w tym kontekście oznacza aktualizację chromosomu zgodnie z ulepszonym rozwiązaniem znalezionym w indywidualnym etapie uczenia, podczas gdy uczenie baldwinowskie pozostawia chromosom niezmieniony i wykorzystuje jedynie ulepszone dopasowanie . Ten pseudokod pozostawia otwartą kwestię, które kroki opierają się na dopasowaniu osobników, a które nie. W grę wchodzą ewolucja nowej populacji i selekcja. Ω I ja {\displaystyle \Omega _{il}} .

Aplikacje[ edytuj ] Algorytmy memetyczne zostały z powodzeniem zastosowane do rozwiązania wielu rzeczywistych problemów. Chociaż wiele osób wykorzystuje techniki ściśle związane z algorytmami memetycznymi, stosuje się również alternatywne nazwy, takie jak hybrydowe algorytmy genetyczne .Naukowcy wykorzystali algorytmy memetyczne do rozwiązania wielu klasycznych problemów NP . Oto niektóre z nich: partycjonowanie grafów , wielowymiarowy plecak , problem komiwojażera , problem kwadratowego przydziału , problem pokrycia zbiorów , minimalne kolorowanie grafów , problem zbioru maksymalnie niezależnego , problem pakowania w pojemniki i uogólniony problem przydziału . Do nowszych zastosowań należą (ale nie wyłącznie) analiza biznesowa i nauka o danych , [ 2 ] szkolenie sztucznych sieci neuronowych , [ 26 ] rozpoznawanie wzorców , [ 27 ] planowanie ruchu robota , [ 28 ] orientacja wiązki , [ 29 ] projektowanie obwodów , [ 30 ] przywracanie zasilania elektrycznego, [ 31 ] systemy ekspertowe medyczne , [ 32 ] harmonogramowanie pojedynczej maszyny , [ 33 ] automatyczne harmonogramowanie (w szczególności harmonogram dla NHL ), [ 34 ] harmonogramowanie siły roboczej , [ 35 ] optymalizacja grafików pielęgniarskich , [ 36 ] alokacja procesorów , [ 37 ] harmonogramowanie konserwacji (na przykład sieci dystrybucji elektrycznej), [ 38 ] harmonogramowanie wielu przepływów pracy do ograniczonych zasobów heterogenicznych, [ 39 ] wielowymiarowy problem plecakowy, [ 40 ] projektowanie VLSI , [ 41 ] grupowanie profili ekspresji genów , [ 42 ] selekcja cech/genów, [ 43 ] [ 44 ] określanie parametrów do wstrzykiwania błędów sprzętowych, [ 45 ] i wieloklasowa, wielokryterialna selekcja cech . [ 46 ] [ 47 ]