Algoritmos evolutivos

La versión actual de la página aún no ha sido revisada por colaboradores experimentados y puede diferir significativamente de la versión revisada el 16 de julio de 2015; las comprobaciones requieren 10 ediciones .

Los algoritmos evolutivos  son una dirección en inteligencia artificial (una sección de modelado evolutivo ) que usa y modela los procesos de selección natural .

Tipos de algoritmos

• algoritmos genéticos  : un algoritmo de búsqueda heurística utilizado para resolver problemas de optimización y modelado mediante selección aleatoria, combinación y variación de los parámetros deseados;
• programación genética  : creación o modificación automática de programas utilizando algoritmos genéticos;
• programación evolutiva  : similar a la programación genética, pero la estructura del programa es constante, solo cambian los valores numéricos;
• programación de la expresión génica
• estrategias evolutivas  : similares a los algoritmos genéticos, pero solo las mutaciones positivas se transmiten a la próxima generación;
• evolución diferencial
• neuroevolución  : similar a la programación genética, pero los genomas son redes neuronales artificiales en las que se produce la evolución de los pesos para una topología de red determinada , o además de la evolución de los pesos, la topología también evoluciona;
• sistemas clasificadores ;

Todos ellos modelan las disposiciones básicas de la teoría de la evolución biológica: los procesos de selección, mutación y reproducción. El comportamiento de los agentes está determinado por el entorno. A un conjunto de agentes se le llama población. Tal población evoluciona de acuerdo con las reglas de selección de acuerdo con la función objetivo dada por el medio ambiente. Así, a cada agente (individuo) de la población se le asigna un valor de su idoneidad en el medio. Sólo se reproducen las especies más adecuadas. La recombinación y la mutación permiten que los agentes cambien y se adapten al entorno. Dichos algoritmos se denominan motores de búsqueda adaptativos.

Los algoritmos evolutivos se han utilizado con éxito para problemas de optimización funcional y se pueden describir fácilmente en términos matemáticos.

Industrias de uso

Los algoritmos evolutivos se utilizan en la optimización combinatoria , en particular para resolver problemas clásicos NP-completos , como el problema del viajante de comercio, el problema de empacar mochilas , la división de números, el conjunto independiente máximo y el dibujo de gráficos . [una]

La posibilidad de utilizar algoritmos evolutivos en la música se está explorando activamente en Austria , principalmente cuando se trata de modelar la forma de tocar instrumentos musicales de personas famosas de diferentes épocas. [2]

Notas

1. ↑ Olariu Stephan, Zomaya Albert Y. Manual de algoritmos y aplicaciones bioinspirados (Chapman Hall/Crc Computer Information Science  ) . — Chapman Hall/CRC. — ISBN 1-58488-475-4 .
2. ↑ Madsen, ST y Widmer, G.: Evolutionary Search for Musical Parallelism , Applications of Evolutionary Computing, actas de EvoWorkshops 2005, LNCS 3449 p. 488-497, Lausana, Suiza, 30 de marzo - 1 de abril de 2005. Springer Verlag.

Literatura

• Emelyanov VV, Kureichik VV, Kureichik VM Teoría y práctica del modelado evolutivo. - M. : Fizmatlit, 2003. - 432 p. — ISBN 5-9221-0337-7 .
• Kureichik V. M., Lebedev B. K., Lebedev O. K. Adaptación de búsqueda: teoría y práctica. - M. : Fizmatlit, 2006. - 272 p. — ISBN 5-9221-0749-6 .
• Gladkov L. A., Kureichik V. V., Kureichik V. M. Algoritmos genéticos: libro de texto. - 2ª ed. - M. : Fizmatlit, 2006. - 320 p. - ISBN 5-9221-0510-8 .
• Gladkov L.A., Kureichik V.V., Kureichik V.M. et al. Métodos bioinspirados en optimización: monografía. - M. : Fizmatlit, 2009. - 384 p. - ISBN 978-5-9221-1101-0 .
• Rutkowska D., Pilinsky M., Rutkowski L. Redes neuronales, algoritmos genéticos y sistemas difusos = Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. - 2ª ed. - M. : Hotline-Telecom, 2008. - 452 p. — ISBN 5-93517-103-1 .
• Rutkovsky L. Métodos y tecnologías de inteligencia artificial. - M. : Hotline-Telecom, 2010. - 520 p. — ISBN 5-9912-0105-6 .
• Volovich I. V. , Khokhlova M. N. Sobre la teoría del modelado y la hipergrafía de clase // Actas del Instituto Matemático. V. A. Steklova. - 2004. - T. 245 . - S. 281-287 .

Enlaces

• Subbotin S. O., Olijnik A. O., Oliynik O. O. Métodos no iterativos, evolutivos y multiagente para la síntesis de modelos difusos y neuromecánicos: Monografía / Pid zag. edición S. O. Subbotina. - Zaporizhzhya: ZNTU, 2009. - 375 p.
• Popular sobre algoritmos genéticos
• Fundamentos de la teoría y aplicación de algoritmos evolutivos en aplicaciones prácticas

Inteligencia artificial
Historia	Historia de la inteligencia artificial Invierno de inteligencia artificial Seminario de Dartmouth
Filosofía	prueba de Turing cuarto chino Inteligencia artificial fuerte y débil Inteligencia artificial amigable La ética de la inteligencia artificial Problema de control
Direcciones	Enfoque del agente control adaptativo Ingeniería del conocimiento Modelo de sistema viable Aprendizaje automático red neuronal lógica difusa procesamiento natural del lenguaje Reconocimiento de patrones Inteligencia de enjambre IA simbólica Algoritmos evolutivos Experto en Sistemas
Solicitud	Control de voz Problema de clasificación Clasificación de documentos Agrupación de documentos análisis de conglomerados Busqueda local Traducción automática Reconocimiento óptico de caracteres Reconocimiento de voz Reconocimiento de escritura a mano IA del juego
Investigadores	Charles Babbage vladimir vapnik José Weizenbaum Norberto Wiener Viktor Glushkov Vladímir Gorodetsky Jan Le Cun Alexey Liapunov Juan McCarthy marvin minski allen newell Seymour Papel Perla de Judá Germógen Pospelov Dmitri Pospelov Frank Rosenblatt Herbert Alejandro Simón alan turing patricio winston Víctor Finn sergey fomin demis hassabis Geoffrey Hinton Noam Chomsky claude shannon andres eun Eliezer Yudkovski

Aprendizaje automático y minería de datos
Tareas	Problema de clasificación Aprender sin un maestro Aprendizaje asistido por profesores Análisis de regresión AutoML reglas de asociación Extracción de características entrenamiento de rasgos Entrenamiento de clasificación Derivación gramatical Aprender en línea
Aprendiendo con un maestro	método del k-vecino más cercano Clasificador bayesiano ingenuo árbol de decisión Máquinas de vectores soporte Regresión lineal Regresión logística perceptrón conjuntos de modelos Harpillera impulsar bosque aleatorio Método de vector relevante
análisis de conglomerados	método k-medias método de agrupamiento difuso Agrupación jerárquica algoritmo EM ABEDUL CURAR DBSCAN ÓPTICA Desplazamiento medio
Reducción de dimensionalidad	Análisis factorial Método de componentes principales CCA ACI LDA Expansión de matriz no negativa t-SNE
Pronóstico estructural	Graficar modelo probabilístico red bayesiana Modelo oculto de Markov FRC
Detección de anomalías	método del k-vecino más cercano Nivel de emisión local
Graficar modelos probabilísticos	red bayesiana Red de Markov Modelo oculto de Markov
Redes neuronales	Máquina Boltzmann limitada mapa autoorganizado Función de activación Sigmoideo softmax Funcion de base radial Método de propagación hacia atrás Aprendizaje profundo perceptrón multicapa Red neuronal recurrente memoria a corto plazo Bloque recurrente controlado Red neuronal convolucional U-red Codificador automático
Aprendizaje reforzado	proceso de Markov Ecuación de Bellman Algoritmo codicioso Q-aprendizaje SARAS Diferencia temporal (DT)
Teoría	Teoría de Vapnik-Chervonenkis Dilema de dispersión de sesgo Teoría del aprendizaje computacional Minimización empírica del riesgo El aprendizaje de Occam aprendizaje PAC Teoría del aprendizaje estadístico
revistas y congresos	NeurIPS ICML ML JMLR ArXiv:cs.LG