基因双目标优化方法用于可居住性评分
通过异行星数据确定宜居性需要综合考虑多个参数,本文通过提出一种约束优化的多元、凸优化模型并使用改进的粒子群算法来确保全局最优,为寻找新的宜居星球提供指导。
May, 2018
该研究提出一种基于 Cobb-Douglas 宜居生产函数的宜居度量方法,该方法采用测量和计算的行星输入参数计算生活得分,并应用于 K-NN 分类算法和机器学习以产生具有宜居性的颗粒簇。(This research proposes a habitability metric based on the Cobb-Douglas Habitability Production Function, which is used to calculate the habitability score by using measured and calculated planetary input parameters. This method is applied to K-NN classification algorithm and machine learning to produce granular clusters of habitability.)
Apr, 2016
该研究提出了一种基于 Cobb-Douglas 生产函数的习惯性评分指数,用于计算行星的可居住性得分,该指数使用行星半径,密度,逃逸速度和表面温度等测量和预测的行星参数,以分类和确定行星的适宜程度,它的弹性和全局极值的分析性质具备可扩展的优点,并可以与机器学习相结合进行特征学习,实现分类。
Dec, 2017
使用遗传算法进行全局参数优化,快速在参数空间中探索,成功解决了一些与白矮星天文学有关的问题,并提供了一种新的计算密集型建模应用方法。
Aug, 2002
本文采用 Morris LHS、Morris 和 Sobol 三种灵敏度分析方法,系统分析协方差矩阵适应进化策略、差分进化、非支配排序遗传算法 III 和基于分解的多目标进化算法的可调超参数对性能指标的直接和相互作用影响,探究了超参数对采样方法和性能指标的行为,提出了它们之间的作用方式和排序建议。该研究结果可用于调整算法的超参数,以达到更为稳定的性能。
Jul, 2022
提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法(GEA),通过重新设计传统遗传算法并引入新的搜索方法,以基于已有基因的选择来孤立、提纯、插入和表达新基因,从而产生具有所选基因的特定染色体,旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明,GEA 具有卓越的性能,展示了其作为组合优化问题的创新高效解决方案的潜力。
Sep, 2023
通过交互式进化计算以及应用定量和定性评判标准指导多目标进化算法,将用户反馈嵌入到适应函数中,使算法能够辨别出有前景和较差的解决方案,实验证明该交互机制可以有效地引导搜索进入专家真正感兴趣的搜索空间区域。
Jan, 2024
本文提出了一种两阶段的辅助代理进化方法,用于解决在大型数据集的封装设置中使用遗传算法进行特征选择时产生的计算问题。通过构建轻量级的定性元模型通过主动选择数据实例进行特征选择任务,并在遗传算法 CHC 的基础上应用该过程来创建定性近似变体 CHCQX。实验证明,CHCQX 对于包含超过 100K 个实例的大型数据集收敛速度更快且准确度更高。此外,我们还展示了我们的方法在粒子群优化(PSO)方法的定性逼近适应中的适用性,该方法属于进化计算(EC)范式的另一个分支,相关结果可在 GitHub 上找到完整的实现。
Apr, 2024
本文提出了扩展的 FAIR 数据原则以增强遗传算法的可再现性和可重用性,并使用轻量级 RDF 格式的词汇表来促进此目的。通过遗传算法作为示例,阐述了算法方法发展和变种对于算法复现的挑战。此工作可以扩展到多种优化和机器学习算法。
Apr, 2023