Adaptive Genetic Algorithms Based on Learning Classifier Systems
محل انتشار: نهمین کنفرانس سالانه انجمن کامپیوتر ایران
سال انتشار: 1382
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,063
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI09_053
تاریخ نمایه سازی: 4 بهمن 1386
چکیده مقاله:
Genetic Algorithms (GA) emulate the natural evolution process and maintain population of potential solutions to a given problem. But GA uses static configuration parameters such as crossover type, crossover probability and selection operator, among those, to emulate this inherently dynamic process. Because of dynamic behavior of GA and changes in population parameters in each generation, using adaptive configuration parameters sounds a good idea. This idea is considered in some researches about GA [1, 2, 3, and 4] by various authors. In this research a new modified structure for GA is introduced which called Adaptive GA based on Learning classifier systems (AGAL). AGAL uses a learning component to adapt its structure as population changes. This learning component uses domain knowledge which is extracted from the environment to adapt GA parameter settings.
کلیدواژه ها:
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :