แอปพลิเคชันสำหรับโลกแห่งความเป็นจริงสำหรับอัลกอริทึมพันธุกรรมคืออะไร

ปัญหาโลกแห่งความจริงที่แก้ไขโดยใช้อัลกอริทึมพันธุกรรมคืออะไร อะไรคือปัญหา? การทดสอบสมรรถภาพทางกายใช้เพื่อแก้ไขปัญหานี้อย่างไร?

เครื่องมือเพิ่มประสิทธิภาพในฐานข้อมูลเชิงสัมพันธ์ ตัวอย่างPostgreSQLและH2 ; ฐานข้อมูลอื่นน่าจะใช้อัลกอริธึมทางพันธุกรรมด้วย ปัญหาคือ: เลือกแผนแบบสอบถามที่ดีที่สุด (อันที่มีต้นทุนต่ำที่สุดโดยประมาณ) คือ NP-hard การทดสอบสมรรถภาพร่างกายเป็นค่าใช้จ่ายโดยประมาณ

Lamarckian อัลกอริทึมที่ใช้ใน chemoinformatics ไปยังหน้าจอสำหรับสารประกอบยาใหม่ที่มีศักยภาพที่สามารถผูกกับตัวรับโดยเฉพาะอย่างยิ่ง

ปัญหาการคำนวณคือการค้นหาฐานข้อมูลทางเคมีสำหรับผู้สมัครที่สามารถปรับทิศทางได้อย่างถูกต้อง (wrt การวางแนวที่เป็นไปได้ของโมเลกุลที่มีตัวรับ) และเพื่อรวมเข้ากับการค้นหาที่เป็นโครงสร้าง ซึ่งอาจส่งผลกระทบอย่างรุนแรงต่อปฏิกิริยา )

ก่อนหน้านี้เป็นไปได้ที่จะทำการค้นหาการวางแนวหรือการค้นหาแบบแผน แต่ไม่ใช่ทั้งสองอย่าง LGA ใช้ประโยชน์จากการเร่งความเร็วคอมพิวเตอร์และรวมการค้นหาทั่วโลกของอัลกอริทึมทางพันธุกรรมเข้ากับการค้นหาในท้องถิ่น

นาซ่าสร้างขั้นตอนวิธีพันธุกรรมสำหรับการออกแบบเสาอากาศ

การทดสอบสมรรถภาพร่างกายมีดังนี้:

ฟังก์ชั่นการออกกำลังกายที่ใช้ในการประเมินเสาอากาศเป็นฟังก์ชั่นของอัตราส่วนคลื่นนิ่งแรงดัน (VSWR) และรับค่าความถี่ในการส่งและรับความถี่ VSWR เป็นวิธีการหาปริมาณการรบกวนคลื่นสะท้อนและปริมาณของความต้านทานไม่ตรงกันที่ทางแยก VSWR คืออัตราส่วนระหว่างแรงดันไฟฟ้าสูงสุดและแรงดันไฟฟ้าต่ำสุดในซองสัญญาณตามแนวสายส่ง

สิ่งเหล่านี้มักจะใช้ในด้านการเงิน มีเอกสารจำนวนมากในเรื่องนี้ แต่ดูตัวอย่างพันธุกรรมอัลกอริทึมในการเพิ่มประสิทธิภาพการลงทุน

ฉันใช้ GAs เพื่อแก้ปัญหาการตั้งเวลาในการผลิตและการศึกษา ฟังก์ชั่นการออกกำลังกายในกรณีแรกคือจำนวนรายการที่ร้องขอถูกผลิตขึ้นในกรอบเวลาที่กำหนดในขณะที่ในกรณีที่สองการออกกำลังกายขึ้นอยู่กับการลงโทษตารางที่มีความขัดแย้ง

หากคุณสนใจแอปพลิเคชันนี่คือลิงค์ไปยังเอกสาร 20K + บน citeseerx

ฉันไม่สามารถต้านทาน แต่ชี้ให้เห็นการทำงานของ Roger Alsing:

http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-mona-lisa/

แสดงภาพของ Mona Lisa โดยใช้รูปสามเหลี่ยมกึ่งโปร่งใสเพียง 50 รูป

การออกแบบเสาอากาศได้รับการกล่าวถึงแล้วและเป็นโดเมนที่สมบูรณ์ที่สุด (เป็นโดยตรงมากสิ่งที่ฉันเริ่มเคลื่อนไหวจากวิศวกรรมไฟฟ้าวิทยาศาสตร์คอมพิวเตอร์ (ในช่วงปลายยุค 90) และโดยเฉพาะอย่างยิ่งกับการคำนวณแรงบันดาลใจทางชีวภาพและปัญญาประดิษฐ์ (ในช่วงห้าปีที่ผ่านมาหรือดังนั้น)

ในหลอดเลือดดำเดียวกันฉันจะเพิ่มการเพิ่มประสิทธิภาพอาเรย์เสาอากาศโดยเฉพาะอย่างยิ่งสำหรับการเพิ่มประสิทธิภาพอาเรย์แบบ phased ซึ่งเป็นอาการปวดหัวทั้งหมดของการออกแบบเสาอากาศและอื่น ๆ มีโอกาสในทุกด้านของการออกแบบอุปกรณ์แม่เหล็กไฟฟ้าจริง ๆ : เสาอากาศ, อาร์เรย์เสาอากาศ, ตัวกรองไมโครเวฟ, ตะแกรงแก้วนำแสง, การออกแบบอุปกรณ์ metamaterial ทั้งหมดอยู่ด้านบนของหัวของฉัน การสำรวจวันคือการเพิ่มประสิทธิภาพแม่เหล็กไฟฟ้าโดยพันธุกรรมอัลกอริทึมและการสำรวจเมื่อเร็ว ๆ นี้เป็นทางพันธุกรรมอัลกอริทึมในคลื่นแม่เหล็กไฟฟ้า (ฉันควรซื้ออันที่สองจริงๆ

ฉันเคยเห็นเอกสารที่ดีเกี่ยวกับการออกแบบวงจรที่ไม่ใช่แม่เหล็กไฟฟ้าเช่นกัน: GA มากับการแข่งขัน op-amp หรือการออกแบบวงจรรวมอื่น GAs "การเรียนรู้" เพื่อใช้ประโยชน์จากความไม่สมบูรณ์แบบอะนาล็อกใน FPGAs เพื่อใช้ฟังก์ชันอนาล็อกเช่น นาฬิกาเป็นต้นแม้กระทั่งการออกแบบตัวกรององค์ประกอบแบบไม่ต่อเนื่องอาจเป็นเรื่องง่ายสำหรับ GAs: ฉันเคยเห็นสิ่งที่เป็นปัจจัย q, ความคลาดเคลื่อนค่าไม่ต่อเนื่องและแบบจำลองการบัดกรีเพื่อรับตัวกรองที่ดี ชิ้นส่วนที่คุณมีอยู่ในมือ

สิ่งเหล่านี้มักเกี่ยวข้องกับการนำเสนอวงจร (สำหรับฉันแล้ว) เพื่อให้ตัวดำเนินการทางพันธุกรรมให้พอดีกับกระบวนทัศน์เช่นเดียวกับโครโมโซมขนาดแปรผัน

เมื่อเร็ว ๆ นี้มีคำถามเกี่ยวกับการใช้ GA เพื่อพัฒนาการออกแบบใบกังหันลมโดยใช้การจำลองพลศาสตร์ของของเหลวของพลังงานทางกายภาพที่สร้างขึ้นเป็นฟังก์ชั่นการออกกำลังกาย [1]

วิดีโอนี้แสดงการใช้อัลกอริทึมทางพันธุกรรมในการพัฒนาใบพัดกังหันลม VAWT หนึ่งในใบมีดที่เกิดขึ้นนั้นแตกต่างกันมากและดูเหมือนจะจำลองได้ดี ซอฟต์แวร์การปรับปรุงพันธุ์นั้นเขียนด้วย Perl, ซอฟต์แวร์แสดงผล Java และซอฟต์แวร์ CFD คือ OpenFoam มากกว่า 672 ชั่วโมงของ CPU ในการสร้างวิดีโอนี้ หมายเหตุ: ตั้งแต่ฉันค้นพบว่าฉันใช้ความหนืดไม่ถูกต้องกับอากาศในการทดลองนี้ดังนั้นผลลัพธ์ไม่ถูกต้องสำหรับการใช้บนโลก (อาจเป็นดาวพฤหัสบดี)

[1] "ใบพัดกังหันลมกำลังพัฒนา"บน youtube โดย "sjh7132" อ้างถึงโดย / จากคำถาม TCS.se: มันเป็นไปได้ในระดับใดที่จะใช้อัลกอริทึมทางพันธุกรรมเพื่อทำให้ใบพัดกังหันลมมีประสิทธิภาพมากขึ้น?

มีงานวิจัยเกี่ยวกับการใช้ GAs สำหรับการจำแนกประเภทไวน์ จำแนกประเภทไวน์และสถานที่ผลิตอย่างแม่นยำ ("แหล่งกำเนิด") [1] นี่เป็นส่วนย่อยของการใช้ GAs ในระบบเกษตรซึ่งมีการใช้งานมากมาย [2]

[1] อัลกอริธึมการเลือกคุณลักษณะโดยใช้ chromatograms ไวน์ชิลีเป็นตัวอย่างโดย NHBeltran และคณะ

[2] สถานะของศิลปะในขั้นตอนวิธีพันธุกรรมสำหรับระบบเกษตรโดย Bolboaca และคณะ

มีเอกสารมากมายเกี่ยวกับการใช้ GAs สำหรับควบคุมการบินในสาขาการบินและอวกาศ หลายเหล่านี้มีการเผยแพร่หรือค้นหาตามมาตรฐาน IEEE สำรวจ ฟังก์ชั่นการออกกำลังกายโดยทั่วไปวัดว่าดี / มีประสิทธิภาพอัลกอริทึมควบคุมเที่ยวบิน

[1] การออกแบบระบบควบคุมการบินและการเพิ่มประสิทธิภาพด้วยอัลกอริธึมทางพันธุกรรมโดย Fantinutto และคณะ

[2] การประยุกต์ใช้อัลกอริธึมทางพันธุกรรมในการควบคุมการบินที่มีความเร็วเหนือเสียง ออสตินจาคอบส์

[3] การใช้งานหลายแกนกลางของระบบควบคุมพื้นผิวการบิน F-16 โดยใช้อัลกอริทึมการควบคุมแบบปรับตัวตามขั้นตอนวิธีทางพันธุกรรม, Xiaoru Wang

[4] การควบคุมตรรกะแบบคลุมเครือบนพื้นฐานของอัลกอริทึมทางพันธุกรรมเพื่อการควบคุมการบินแบบบูรณาการสำหรับยานพาหนะที่มีความเร็วเหนือเสียง โดยวังเจียน

ที่น่าทึ่งแม้แต่การเปลี่ยนกระบวนทัศน์หรือการใช้ GAs ที่ได้รับการอ้างถึงอย่างสูงในการสำรวจในภายหลังถูกบุกเบิกโดย Koza เพื่อแก้ปัญหาวิดีโอเกม "-" คือ Pac Man เพื่อพิสูจน์หลักการ แต่แนวคิดดังกล่าวสามารถนำไปใช้ได้เกือบ วิดีโอเกมใด ๆ และผลลัพธ์นั้นอยู่ไกลจากเรื่องเล็กน้อยหรือ "ของเล่น"

นั่นคือเขาได้พัฒนาอัลกอริทึมที่ใช้พฤติกรรมจริงเพื่อชนะในการเล่นเกมเป็นระยะเวลานาน ผลลัพธ์อยู่ในระดับประสิทธิภาพของผู้เล่นมือสมัครเล่นหรือผู้เล่นขั้นสูงของมนุษย์ ฟังก์ชั่นการออกกำลังกายสามารถเป็นได้ทั้งคะแนนโดยอัลกอริธึมหรือระยะเวลาที่เล่น (หลังจากนั้นจะพัฒนาอัลกอริธึมที่รอดโดยไม่ให้คะแนนเช่นกรณีคลาสสิกของยานอวกาศ "ล่า" ในเกมดาวเคราะห์น้อย) พฤติกรรมนั้นถูกนำไปใช้กับ "primitives" (เช่นสัมผัสกับสัตว์ประหลาด / การกระทำโดยการหมุน ฯลฯ ) และต้นไม้ที่แสดงถึงการรวมกันของกลยุทธ์ดั้งเดิม

[1] การพัฒนาตัวแทนการเล่นที่หลากหลายนาง Pac-Man ใช้การเขียนโปรแกรมทางพันธุกรรมโดย Atif M. Alhejali และ Simon M. Lucas

[2] การเรียนรู้ที่จะเล่น Pac-Man: แนวทางวิวัฒนาการตามกฎโดย Gallagher และ Ryan

[3] เรียนรู้การเล่นโดยใช้นโยบายที่ยึดกฎความซับซ้อนต่ำ: ภาพประกอบผ่าน Ms. Pac-ManโดยIstván Szita András L ~ orincz

การประชุม GECCO ประจำปี (เป็นสถานที่ชั้นนำสำหรับการวิจัยการคำนวณเชิงวิวัฒนาการ) มีเส้นทาง `แอปพลิเคชันโลกแห่งความจริง '

ดูการนำเสนอล่าสุดนี้ :