Thuật toán di truyền là gì? Các công bố khoa học về Thuật toán di truyền
Thuật toán di truyền là một phương pháp tìm kiếm và tối ưu thông qua quá trình mô phỏng các khía cạnh của quá trình tiến hóa trong tự nhiên. Thuật toán này có n...
Thuật toán di truyền là một phương pháp tìm kiếm và tối ưu thông qua quá trình mô phỏng các khía cạnh của quá trình tiến hóa trong tự nhiên. Thuật toán này có nguồn gốc từ lý thuyết nhân tạo, nghiên cứu về di truyền và sinh thái học.
Thuật toán di truyền sử dụng các khái niệm về cá thể, quần thể và môi trường để tạo ra các giải pháp tối ưu cho các vấn đề tương tự trong thực tế. Thuật toán xác định các quy tắc, qui tắc của quần thể thông qua quá trình chọn lọc và kết hợp các giải pháp hiệu quả.
Quá trình của thuật toán di truyền thường bao gồm các bước như: khởi tạo quần thể, đánh giá cá thể, chọn lọc, croosover và đột biến. Các cá thể tốt nhất sẽ được chọn để mang lại kết quả tốt cho bài toán tối ưu.
Thuật toán di truyền có ứng dụng rộng trong nhiều lĩnh vực, bao gồm tối ưu hóa, trí tuệ nhân tạo, quy hoạch mạng, mô phỏng hệ thống sinh thái, v.v.
Thuật toán di truyền dựa trên ý tưởng rằng thông qua quá trình tiến hóa, các công nghệ di truyền tự nhiên đã tạo ra những giải pháp tối ưu cho tồn tại và thích nghi với môi trường. Thuật toán di truyền cố gắng mô phỏng quy trình này bằng cách sử dụng các thành phần cơ bản như cá thể, quần thể, chọn lọc, croosover và đột biến.
- Cá thể: Cá thể đại diện cho một giải pháp potenial cho vấn đề. Nó thường được biểu diễn dưới dạng chuỗi, ma trận hoặc cấu trúc khác tùy thuộc vào bài toán cụ thể. Các cá thể được tạo ra từ quần thể ban đầu và trải qua quá trình tiến hóa để tìm ra giải pháp tốt nhất.
- Quần thể: Quần thể là tập hợp các cá thể trong thuật toán di truyền. Quần thể ban đầu được tạo ra ngẫu nhiên hoặc thông qua một thuật toán khác tạo ra từ các giải pháp tiềm năng.
- Đánh giá cá thể: Mỗi cá thể trong quần thể được đánh giá dựa trên một hàm mục tiêu hoặc hàm đánh giá. Đánh giá này giúp xác định mức độ tối ưu của cá thể và đóng vai trò quan trọng trong quá trình chọn lọc.
- Chọn lọc: Quá trình chọn lọc nhằm lựa chọn các cá thể tốt nhất trong quần thể để tiếp tục truyền gen cho thế hệ tiếp theo. Có nhiều phương pháp chọn lọc khác nhau, bao gồm chọn lọc tự nhiên, chọn lọc mạnh, chọn lọc roulette, v.v.
- Croosover: Croosover là quy trình trao đổi thông tin di truyền giữa hai cá thể khác nhau để tạo ra con cá thể mới có sự kết hợp của các đặc điểm của hai cá thể cha mẹ. Có nhiều phương pháp crossover khác nhau như một điểm cắt, nhiều điểm cắt, v.v.
- Đột biến: Đột biến là quá trình thay đổi gen bất ngờ trong cá thể để tạo ra sự đa dạng trong quần thể và khám phá những vùng không gian giải pháp mới. Quá trình này giúp tránh tình trạng rơi vào tối ưu cục bộ.
Thông qua các bước này, thuật toán di truyền tiếp tục lặp lại quá trình chọn lọc, crossover và mutation cho đến khi tìm ra giải pháp tối ưu hoặc đạt tới điều kiện dừng cụ thể được định nghĩa trước đó.
Danh sách công bố khoa học về chủ đề "thuật toán di truyền":
Rút Trích Nhiệt Độ Bề Mặt Đất Từ TIRS Của Landsat 8 — So Sánh Giữa Phương Pháp Dựa Trên Phương Trình Truyền Bức Xạ, Thuật Toán Cửa Sổ Kép và Phương Pháp Kênh Đơn Dịch bởi AI Việc đảo ngược chính xác các biến số địa/vật lý bề mặt đất từ dữ liệu viễn thám cho các ứng dụng quan sát trái đất là một chủ đề thiết yếu và đầy thách thức đối với nghiên cứu biến đổi toàn cầu. Nhiệt độ bề mặt đất (LST) là một trong những tham số chính trong vật lý của các quá trình bề mặt trái đất từ quy mô địa phương đến toàn cầu. Tầm quan trọng của LST đang ngày càng được công nhận và có một sự quan tâm mạnh mẽ trong việc phát triển các phương pháp đo LST từ không gian. Cảm biến Hồng ngoại Nhiệt (TIRS) của Landsat 8 là cảm biến hồng ngoại nhiệt mới nhất của dự án Landsat, cung cấp hai dải nhiệt kế bên nhau, điều này có lợi lớn cho việc đảo ngược LST. Trong bài báo này, chúng tôi so sánh ba phương pháp khác nhau để đảo ngược LST từ TIRS, bao gồm phương pháp dựa trên phương trình truyền bức xạ, thuật toán cửa sổ kép và phương pháp kênh đơn. Bốn địa điểm giám sát cân bằng năng lượng từ Mạng lưới Ngân sách Bức xạ Bề mặt (SURFRAD) được sử dụng để thẩm định, kết hợp với sản phẩm độ phát xạ MODIS 8 ngày. Đối với các địa điểm và cảnh quan được điều tra, kết quả cho thấy rằng LST đảo ngược từ phương pháp dựa trên phương trình truyền bức xạ sử dụng dải 10 có độ chính xác cao nhất với RMSE thấp hơn 1 K, trong khi thuật toán SW có độ chính xác trung bình và phương pháp SC có độ chính xác thấp nhất.
Remote Sensing - Tập 6 Số 10 - Trang 9829-9852
#Nhiệt độ bề mặt đất #Landsat 8 #cảm biến hồng ngoại nhiệt #phương trình truyền bức xạ #thuật toán cửa sổ kép #phương pháp kênh đơn #viễn thám #biến đổi toàn cầu #trái đất #độ phát xạ #SURFRAD #MODIS.
GAMETES: một thuật toán nhanh, trực tiếp để tạo ra các mô hình tương tác di truyền tinh khiết và nghiêm ngặt với cấu trúc ngẫu nhiên Dịch bởi AI Tóm tắt
Nền tảng
Các nhà di truyền học nhìn ra ngoài các mối liên kết bệnh tại một locus đơn lẻ cần những chiến lược bổ sung để phát hiện ảnh hưởng đa locus phức tạp. Tương tác di truyền, một hiệu ứng che khuất đa locus, đặt ra một thách thức đặc biệt và đã được nhắm đến trong phát triển sinh tin học. Việc đánh giá kỹ lưỡng các thuật toán mới yêu cầu các nghiên cứu mô phỏng trong đó các mô hình bệnh đã biết được tìm kiếm. Đến nay, các phương pháp tốt nhất để tạo ra các mô hình tương tác di truyền đa locus mô phỏng phụ thuộc vào các thuật toán di truyền. Tuy nhiên, các phương pháp như vậy tiêu tốn tính toán cao, khó thích ứng với nhiều mục tiêu và không có khả năng tạo ra các mô hình với dạng tương tác di truyền chính xác mà chúng tôi gọi là tinh khiết và nghiêm ngặt. Các mô hình tương tác di truyền tinh khiết và nghiêm ngặt cấu thành trường hợp xấu nhất về việc phát hiện liên kết bệnh, vì những liên kết này có thể chỉ được quan sát nếu tất cả n -locus được đưa vào mô hình bệnh. Điều này khiến chúng trở thành tiêu chuẩn vàng hấp dẫn cho các nghiên cứu mô phỏng xem xét các hiệu ứng đa locus phức tạp.
Kết quả
Chúng tôi giới thiệu GAMETES, một gói phần mềm thân thiện với người dùng và thuật toán tạo ra các mô hình bệnh biallelic SNP (biến thể đơn nucleotide) phức tạp cho các nghiên cứu mô phỏng. GAMETES nhanh chóng và chính xác tạo ra các mô hình n -locus ngẫu nhiên, tinh khiết và nghiêm ngặt với các ràng buộc di truyền được chỉ định. Các ràng buộc này bao gồm di truyền học, tần suất alen nhỏ của các SNP và tỷ lệ phổ biến trong quần thể. GAMETES cũng bao gồm một chiến lược mô phỏng tập dữ liệu đơn giản có thể được sử dụng để tạo nhanh một kho lưu trữ các tập dữ liệu mô phỏng cho các mô hình di truyền nhất định. Chúng tôi lưu ý đến tính hữu ích và những hạn chế của GAMETES thông qua một ví dụ nghiên cứu mô phỏng sử dụng MDR, một thuật toán được thiết kế để phát hiện tương tác di truyền.
Kết luận
GAMETES là một công cụ nhanh chóng, linh hoạt và chính xác để tạo ra các mô hình n -locus phức tạp với các cấu trúc ngẫu nhiên. Mặc dù GAMETES có khả năng hạn chế trong việc tạo ra các mô hình với di truyền học cao hơn, nhưng nó rất giỏi trong việc tạo ra các mô hình có di truyền thấp thường được sử dụng trong các nghiên cứu mô phỏng đánh giá các thuật toán mới. Ngoài ra, chiến lược mô hình hóa của GAMETES có thể được kết hợp linh hoạt với bất kỳ chiến lược mô phỏng tập dữ liệu nào. Ngoài việc mô phỏng tập dữ liệu, GAMETES có thể được sử dụng để theo đuổi việc đặc trưng lý thuyết của các mô hình di truyền và tương tác di truyền.
BioData Mining - Tập 5 Số 1 - 2012
Các chiến lược tối ưu hóa quá trình ngẫu nhiên hỗ trợ bởi mạng nơron nhân tạo Dịch bởi AI Tóm tắt Bài viết này trình bày hai phương pháp tối ưu hóa quy trình hỗn hợp mạnh mẽ tích hợp mạng nơron nhân tạo (ANN) và hình thức tối ưu hóa ngẫu nhiên—các thuật toán di truyền (GA) và phương pháp xấp xỉ ngẫu nhiên đồng thời (SPSA). Một mô hình quy trình dựa trên ANN đã được phát triển hoàn toàn từ dữ liệu đầu vào–đầu ra của quy trình và sau đó không gian đầu vào của nó, bao gồm các biến thiết kế và biến vận hành, đã được tối ưu hóa bằng cách sử dụng hoặc phương pháp GA hoặc SPSA. Các phương pháp này sở hữu một số ưu điểm so với các kỹ thuật dự đoán xác định dựa trên gradient rất được sử dụng. Hiệu quả của các hình thức ANN-GA và ANN-SPSA trong sự hiện diện của dữ liệu quy trình không có tiếng ồn cũng như dữ liệu quy trình có tiếng ồn đã được chứng minh cho một hệ thống đại diện liên quan đến CSTR không đồng nhất. Nghiên cứu trường hợp xem xét một mục tiêu tối ưu hóa không đơn giản, mà ngoài việc thiết kế tham số truyền thống, còn giải quyết vấn đề thiết kế dung sai tối ưu. So sánh các kết quả với các kết quả từ một chiến lược mô hình hóa/tối ưu hóa xác định mạnh mẽ cho thấy rằng các phương pháp hỗn hợp có thể được áp dụng có hiệu quả cho tối ưu hóa quy trình.
AICHE Journal - Tập 47 Số 1 - Trang 126-141 - 2001
#tối ưu hóa quy trình #mạng nơron nhân tạo #thuật toán di truyền #phương pháp xấp xỉ ngẫu nhiên #thiết kế dung sai tối ưu
MỘT THUẬT TOÁN DI TRUYỀN HIỆU QUẢ CHO BÀI TOÁN LẬP LỊCH JOB SHOP
Vietnam Journal of Science and Technology - Tập 50 Số 5 - 2017
Bài báo này trình bày một thuật toán di truyền mới cho bài toán lập lịch job shop (Jobshop Scheduling Problem - JSP). Thuật toán mới này có một số đổi mới sau đây: Một lịch biểu được mã hoá bởi các số tự nhiên; các luật ưu tiên của Giffler và Thompson được dùng để tạo ra các lịch biểu tích cực; phép đột biến được thực hiện trên các cá thể tiềm năng và kết hợp với kĩ thuật tìm kiếm lân cận; phép trao đổi chéo mới kết hợp trao đổi chéo đồng nhất với thuật toán GT và được thực hiện trên 3 cá thể cha. Dựa trên phương pháp đã đề nghị, chúng tôi đã thực hiện một chương trình tìm lịch biểu tối ưu gần đúng cho JSP. Chương trình đã chạy trên các bài toán test chuẩn do Muth và Thompson đề nghị. Phương pháp được đề nghị của chúng tôi ưu điểm hơn hẳn so với các phương pháp khác ở chỗ thời gian tính toán và tỉ lệ các lời giải tối ưu có thể tìm được. Để minh chứng cho điều đó, trong mục 4 chúng tôi trình bày các kết quả thử nghiệm và so sánh các kết quả của chúng tôi với các kết quả của Yamada.
Tối ưu hóa thiết kế tay máy song song dùng thuật toán di truyền
Bài báo trình bày không gian làm việc của tay máy song song. Phân tích các yếu tố ảnh hưởng đến vùng làm việc trong quá trình mô hình hóa đã được xem xét. Với mục đích nhằm làm tăng chức năng của tay máy song song với tiêu chí tối ưu hóa thể tích vùng làm việc là lớn nhất bằng việc đề xuất thuật toán di truyền.
Sử dụng thuật toán di truyền chọn vị trí tụ bù trong lưới phân phối có sóng hài nhằm giảm tổn thất điện năng và cải thiện tổng biến dạng sóng hài (THD)
Chất lượng điện áp và tổn thất trong vận hành lưới phân phối điện luôn được quan tâm đối với các đơn vị vận hành tại Việt Nam. Bù công suất phản kháng sử dụng tụ cố định là phương án được sử dụng phổ biến nhất hiện nay. Tuy vậy, ở Việt Nam, tụ bù chỉ được dùng để giảm tổn thất và việc chọn vị trí đặt tụ bù cho mục đích này vẫn chưa được giải quyết thấu đáo. Bên cạnh đó, việc tồn tại sóng hài đặc biệt trên lưới điện công nghiệp sẽ làm tăng tổn thất và làm xấu các chỉ tiêu về chất lượng điện năng như tổng độ biến dạng sóng (THD). Bài báo sử dụng thuật toán di truyền (GA - Genetic Algorithm) lựa chọn vị trí tụ bù trong lưới phân phối có sóng hài nhằm giảm tổn thất và cải thiện THD. Bài báo sử dụng lưới phân phối mẫu 16 nút có xét điều kiện Việt Nam để kiểm tra hiệu quả của phương pháp. Kết quả tính toán có thể được tham khảo bởi các đơn vị quản lý vận hành của ngành điện Việt Nam
Thuật toán di truyền trong cung cấp tài nguyên cho dịch vụ ảo hóa từ nền tảng máy chủ chia sẻ đồng nhất
Tối ưu hóa tài nguyên để cung cấp cho dịch vụ ảo hóa đáp ứng yêu cầu khai thác tài nguyên hiệu quả trong Điện toán Đám mây là vấn đề đang được quan tâm hiện nay. Trong bài báo này, chúng tôi nghiên cứu bài toán cung cấp tài nguyên đa chiều từ nền tảng máy chủ chia sẻ đồng nhất cho dịch vụ ảo hóa, đưa ra công thức tính trên cơ sở bài toán quy hoạch tuyến tính nhằm tối thiểu hóa số máy chủ vật lý, áp dụng các thuật toán di truyền để giải và đánh giá thông qua mô phỏng trên nhiều kịch bản thử nghiệm. Tối ưu hóa tài nguyên để cung cấp cho dịch vụ ảo hóa đáp ứng yêu cầu khai thác tài nguyên hiệu quả trong Điện toán Đám mây là vấn đề đang được quan tâm hiện nay. được quan tâm hiện nay
#cung cấp tài nguyên #điện toán đám mây #máy ảo #thuật toán di truyền #quy hoạch tuyến tính
Lựa chọn vị trí và dung lượng của thiết bị điều áp động (DVR) nhằm hạn chế hậu quả của sụt giảm điện áp ngắn hạn trên lưới phân phối điện 16 nút bằng thuật toán di truyền
Bài báo xem xét việc tối ưu hóa vị trí, công suất thiết bị bù điện áp động (DVR) khắc phục hiện tượng sụt giảm điện áp ngắn hạn trên lưới phân phối. Việc lắp đặt DVR cải thiện chất lượng điện năng được thực hiện trên quan điểm của bên cấp điện, là bên thực hiện lắp đặt DVR. Việc đặt DVR không chỉ để đảm bảo chất lượng điện năng cho phụ tải cụ thể mà nhằm đảm bảo chất lượng điện năng tại nhiều nút trên lưới điện. Lựa chọn tối vị trí và công suất của DVR được thực hiện dựa trên việc xây dựng bài toán dạng tối ưu hóa đa mục tiêu, trong đó đồng thời giảm thiểu chi phí đầu tư cho DVR và giảm thiểu độ lệch điện áp. Giải bài toán tối ưu được thực hiện bởi thuật toán di truyền và ứng dụng cho lưới phân phối mẫu 16 nút. Bài toán xem xét một số tham số liên quan đến nguyên nhân ngắn mạch (tổng trở sự cố) và số lượng DVR dự kiến đặt để thấy được các yếu tố ảnh hưởng đến kết quả tính toán.
#lưới phân phối #chất lượng điện áp #sụt giảm điện áp ngắn hạn (sag) #thiết bị điều hòa công suất DVR #tối ưu hóa #giải thuật gen - GA
Sử dụng thuật toán di truyền để xây dựng phương trình thực nghiệm xác định giá trị áp suất hòa trộn tối thiểu (MMP) trong bơm ép khí CO2 vào vỉa dầu khí
Bài báo trình bày phương pháp sử dụng thuật toán di truyền (Genetic Algorithm - GA) để xây dựng phương trình thực nghiệm xác định giá trị áp suất hòa trộn tối thiểu (Minimum Miscibility Pressure - MMP) trong quá trình bơm ép khí CO2 vào vỉa dầu. Kết quả so sánh với các mô hình đã được công bố cho thấy, phương pháp sử dụng thuật toán GA giúp dễ dàng xác định giá trị MMP, có độ tin cậy cao, giúp tiết kiệm thời gian và kinh phí so với phương pháp thí nghiệm truyền thống như Slimtube, Rising Bubble, hoặc Vanishing Interfacial Tension (VIT)...
#Genetic algorithm (GA) #minimum miscibility pressure (MMP) #CO2 injection #enhanced oil recovery (EOR)
Về vấn đề hiệu chỉnh mô hình dựa trên tác nhân cho các thị trường tài chính Dịch bởi AI
Journal of Economic Interaction and Coordination - Tập 8 - Trang 277-293 - 2012
Mô hình dựa trên tác nhân (agent based models) đang được sử dụng rất phổ biến trong nhiều lĩnh vực khác nhau. Trong thị trường tài chính, chúng có thể được sử dụng để giải thích những đặc tính nổi bật được gọi là các sự kiện kiểu mẫu (stylised facts) và khớp các thuộc tính thống kê của dữ liệu. Vì lý do này, chúng có thể mô hình hóa sự chuyển động giá tốt hơn so với các mô hình chuẩn sử dụng tính chuẩn Gaussian. Việc hiệu chỉnh và xác thực là những vấn đề thiết yếu trong mô hình dựa trên tác nhân. Tuy nhiên, việc hiệu chỉnh các mô hình như vậy vẫn chưa được xem xét đầy đủ trong tài liệu hiện có. Trong bài báo này, một thuật toán simplex Nelder-Mead kết hợp với thuật toán chấp nhận ngưỡng (Gilli và Winker trong Comput Stat Data Anal 42:299–312, 2003) cùng với một thuật toán di truyền đã được triển khai để hiệu chỉnh mô hình được trình bày bởi Farmer và Joshi (J Econ Behav Org 49:149–171, 2002) và các kết quả đã được so sánh và thảo luận. Dữ liệu được sử dụng là giá đóng cửa của chỉ số Tổng hợp S&P500 và một sự chú ý đặc biệt đã được dành cho việc lựa chọn hàm mục tiêu.
#mô hình dựa trên tác nhân #thị trường tài chính #hiệu chỉnh mô hình #thuộc tính thống kê #thuật toán di truyền
Tổng số: 151
- 1
- 2
- 3
- 4
- 5
- 6
- 10