Apa saja masalah dunia nyata yang telah dipecahkan menggunakan algoritma genetika? Apa masalahnya? Apa tes kebugaran yang digunakan untuk mengatasi masalah ini?
ds.algorithms
machine-learning
ai.artificial-intel
application-of-theory
ne.neural-evol
Benteng
sumber
sumber
Jawaban:
Pengoptimal dalam basis data relasional. Contohnya adalah PostgreSQL dan H2 ; database lain yang paling mungkin juga menggunakan algoritma genetika. Masalahnya adalah: memilih rencana kueri terbaik (yang dengan perkiraan biaya terendah) adalah NP-hard. Tes kebugaran adalah taksiran biaya.
sumber
The Genetic Algoritma Lamarckian digunakan dalam chemoinformatics ke layar potensi senyawa obat baru yang dapat mengikat dengan reseptor tertentu.
Masalah komputasi adalah untuk mencari melalui database kimia untuk kandidat yang dapat mengarahkan dengan benar (wrt orientasi yang mungkin dari molekul yang mengandung reseptor), dan untuk menggabungkannya dengan pencarian konformasi (yaitu, yang mempertimbangkan kemungkinan torsi yang dapat diputar dari molekul. , yang dapat sangat mempengaruhi reaksi ).
Sebelumnya, layak untuk melakukan pencarian orientasi atau pencarian konformasi, tetapi tidak keduanya. LGA memanfaatkan speedup komputer, dan menggabungkan pencarian global dari suatu algoritma genetika dengan pencarian lokal.
sumber
NASA menciptakan algoritma genetika untuk Desain Antena .
Tes kebugaran adalah sebagai berikut:
sumber
Ini sering digunakan dalam keuangan, terutama untuk masalah optimasi portofolio. Ada banyak makalah tentang hal ini, tetapi lihat misalnya Algoritma Genetika dalam Pengoptimalan Portofolio .
sumber
Saya telah menggunakan GAS untuk menyelesaikan masalah penjadwalan di bidang manufaktur dan pendidikan. Fungsi kebugaran dalam kasus pertama adalah berapa banyak barang yang diminta diproduksi dalam jangka waktu tertentu, sedangkan dalam kasus kedua kebugaran didasarkan pada jadwal hukuman dengan konflik.
Jika Anda tertarik dengan aplikasi, inilah tautan ke 20K + makalah di citeseerx
sumber
Saya tidak bisa menolak tetapi menunjukkan karya Roger Alsing:
http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-mona-lisa/
Mewakili gambar Mona Lisa hanya menggunakan 50 segitiga semi-transparan.
sumber
Desain antena telah disebutkan, dan itu adalah domain yang sangat kaya. (Ini, secara langsung, yang memulai gerakan saya dari teknik elektro ke ilmu komputer (pada akhir 90-an) dan lebih khusus ke komputasi dan kecerdasan buatan yang diinspirasi oleh bio (dalam lima tahun terakhir atau lebih.)))
Dalam nada yang sama, saya akan menambahkan optimasi antena array , terutama untuk optimasi array bertahap, yang merupakan semua sakit kepala desain antena, dan banyak lagi. Ada peluang di seluruh bidang desain perangkat elektromagnetik, sungguh: Antena, antena, filter microwave, kisi optik, desain perangkat metamaterial, semuanya ada di atas kepala saya. Sebuah survei tanggal adalah Optimalisasi Elektromagnetik oleh Algoritma Genetika , dan survei yang lebih baru adalah Algoritma Genetika dalam Elektromagnetik . (Saya benar-benar harus membeli yang kedua.
Saya telah melihat banyak makalah yang bagus tentang desain sirkuit non-elektromagnetik juga: GA datang dengan op-amp kompetitif atau desain sirkuit terintegrasi lainnya, GA "belajar" untuk mengambil keuntungan dari ketidaksempurnaan analog dalam FPGA untuk mengimplementasikan fungsi analog seperti jam. bagian yang Anda miliki.
Ini sering melibatkan beberapa representasi sirkuit baru (bagi saya, bagaimanapun) untuk mendapatkan operator genetik agar sesuai dengan paradigma, serta kromosom ukuran variabel.
sumber
baru-baru ini ada pertanyaan tentang penggunaan GAS untuk mengembangkan desain bilah turbin angin menggunakan simulasi dinamika fluida daya fisik yang dihasilkan sebagai fungsi kebugaran. [1]
[1] "Bilah turbin angin yang berevolusi" di youtube oleh "sjh7132". dikutip oleh / dari pertanyaan TCS.se: Sejauh mana dimungkinkan menggunakan algoritma genetika untuk membuat bilah turbin kincir angin lebih efisien?
sumber
ada beberapa penelitian menggunakan GAS untuk klasifikasi anggur. itu secara akurat mengklasifikasikan berbagai anggur dan tempat produksi ("denominasi asal"). [1] ini adalah bagian dari penggunaan GAS dalam Sistem Pertanian yang ada banyak aplikasi. [2]
[1] Algoritme pemilihan fitur menggunakan kromatogram anggur Chili sebagai contoh oleh NHBeltran et al
[2] Keadaan Seni dalam Algoritma Genetika untuk Sistem Pertanian oleh Bolboaca et al
sumber
ada banyak makalah tentang penggunaan GAS untuk kontrol penerbangan di bidang dirgantara. banyak dari ini diterbitkan atau dicari oleh IEEE explorer . fungsi kebugaran umumnya mengukur seberapa baik / efektifnya algoritma mengendalikan penerbangan.
[1] Desain dan optimisasi sistem kontrol penerbangan dengan algoritma genetika oleh Fantinutto et al
[2] Aplikasi algoritma genetika untuk kontrol penerbangan hipersonik. Austin, Jacobs.
[3] Implementasi multi-core dari sistem kontrol permukaan penerbangan F-16 menggunakan algoritma kontrol adaptif berbasis Algoritma Genetika, Xiaoru Wang
[4] Kontrol logika fuzzy berdasarkan algoritma genetika untuk kontrol penerbangan terintegrasi untuk kendaraan hipersonik. oleh Wang Jian
sumber
penggunaan GAS yang luar biasa, bahkan luar biasa atau perubahan paradigma, yang sangat dikutip dalam survei kemudian, dipelopori oleh Koza untuk memecahkan "masalah" video game - yaitu Pac Man untuk bukti prinsip, tetapi konsep tersebut kemungkinan dapat diterapkan pada kemungkinan hampir permainan video apa pun, dan hasilnya jelas jauh dari sepele atau "mainan".
yaitu, ia mengembangkan algoritma yang menerapkan perilaku aktual untuk menang saat bermain game untuk waktu yang lama. hasilnya adalah pada tingkat kinerja pemain manusia amatir atau bahkan maju . fungsi kebugaran dapat berupa poin yang dicetak oleh algoritme atau lamanya waktu bermain (yang kemudian kemungkinan akan berevolusi algoritma yang bertahan tanpa mencetak poin, seperti kasus klasik "berburu" pesawat ruang angkasa di game Asteroid). perilaku diimplementasikan dengan "primitif" (mis. monster indera / bertindak dengan memutar dll) dan pohon yang mewakili kombinasi strategi primitif.
[1] Evolving Diverse Ms. Pac-Man Playing Agents Menggunakan Programming Genetik oleh Atif M. Alhejali dan Simon M. Lucas
[2] Belajar Bermain Pac-Man: Pendekatan Evolusioner, Berbasis Aturan oleh Gallagher dan Ryan
[3] Belajar Bermain Menggunakan Kebijakan Berbasis Kompleksitas Rendah: Ilustrasi melalui Ms. Pac-Man oleh István Szita András L ~ orincz
sumber
Konferensi GECCO tahunan (cukup banyak tempat utama untuk penelitian perhitungan evolusi) memiliki trek `Aplikasi Dunia Nyata '.
Lihat juga presentasi terbaru ini :
sumber