Меметический алгоритм

Меметический алгоритм (МА) в информатике и исследовании операций является расширением традиционного генетического алгоритма (ГА) или более общего эволюционного алгоритма (ЭА). Это может обеспечить достаточно хорошее решение проблемы оптимизации . Он использует подходящую эвристическую или локальную технику поиска для улучшения качества решений, генерируемых советником, и уменьшения вероятности преждевременной сходимости . ^[1]

Меметические алгоритмы представляют собой одну из последних развивающихся областей исследований в области эволюционных вычислений . Термин МА в настоящее время широко используется как сочетание эволюционного или любого популяционного подхода с отдельными процедурами индивидуального обучения или местного улучшения для поиска проблем. Довольно часто МА также упоминаются в литературе как эволюционные алгоритмы Болдуина (ЭА), ламарковские ЭА, культурные алгоритмы или генетический локальный поиск.

Введение

Вдохновленный как дарвиновскими принципами естественной эволюции, так и идеей Докинза о меме , термин меметический алгоритм (МА) был введен Пабло Москато в его техническом отчете ^[2] в 1989 году, где он рассматривал МА как близкую к форме популяционной популяции. гибридный генетический алгоритм (ГА) в сочетании с индивидуальной процедурой обучения, способной выполнять локальные уточнения. Метафорические параллели, с одной стороны, с дарвиновской эволюцией, а с другой стороны, между мемами и эвристикой , специфичной для предметной области (локальный поиск) , фиксируются в меметических алгоритмах, создавая таким образом методологию, которая хорошо балансирует между общностью и специфичностью проблемы. Эта двухэтапная природа делает их особым случаем двухфазной эволюции .

В контексте комплексной оптимизации сообщалось о множестве различных реализаций меметических алгоритмов в широком диапазоне областей применения, которые, как правило, сходятся к высококачественным решениям более эффективно, чем их традиционные эволюционные аналоги. ^[3]

В общем, использование идей меметики в вычислительной среде называется меметическими вычислениями или меметическими вычислениями (MC). ^{[4] [5]} С помощью MC более точно выражены черты универсального дарвинизма. С этой точки зрения MA представляет собой более ограниченное понятие MC. Более конкретно, MA охватывает одну область MC, в частности, занимается областями эволюционных алгоритмов, которые сочетаются с другими детерминированными методами уточнения для решения задач оптимизации. MC расширяет понятие мемов, охватывая концептуальные сущности процедур или представлений, расширяющих знания.

Теоретические основы

Теоремы об оптимизации и поиске без бесплатного обеда ^{[6] [7]} утверждают, что все стратегии оптимизации одинаково эффективны по отношению к множеству всех оптимизационных задач. И наоборот, это означает, что можно ожидать следующего: чем эффективнее алгоритм решает проблему или класс проблем, тем менее общим он является и на более специфических для проблемы знаниях он опирается. Это понимание приводит непосредственно к рекомендации дополнять общеприменимые метаэвристики методами или эвристиками, специфичными для конкретного приложения, ^[8] , что хорошо соответствует концепции МА.

Развитие МА

1-е поколение

Пабло Москато охарактеризовал МА следующим образом: « Меметические алгоритмы представляют собой сочетание глобального поиска, основанного на популяциях, и эвристического локального поиска, осуществляемого каждым из индивидуумов. ... Механизмы локального поиска могут заключаться в достижении локального оптимума или улучшить (относительно целевой функции стоимости) до заранее определенного уровня ». И он подчеркивает: « Я не ограничиваю МА генетическим представлением » . ^[9] Это оригинальное определение МА, хотя и охватывает характеристики культурной эволюции (в форме локального уточнения) в цикле поиска, оно не может квалифицироваться как истинная развивающаяся система в соответствии с универсальным дарвинизмом , поскольку все основные принципы наследственности/меметики передача, изменение и отбор отсутствуют. Это говорит о том, почему термин «МА» вызвал критику и споры среди исследователей после своего первого введения. ^[2] Следующий псевдокод будет соответствовать этому общему определению MA:

Псевдокод

 Процедура. Инициализация меметического алгоритма . Создайте исходную популяцию, оцените особей и присвойте им значение качества; пока условия остановки не выполнены, создайте новую популяцию, используя операторы стохастического поиска . Оцените всех особей в популяции и присвойте им значение качества. Выберите подмножество лиц, ${\displaystyle \Omega _{il}}$ которые должны пройти процедуру индивидуального улучшения. для каждого человека, занимающегося ${\displaystyle \Omega _{il}}$   выполнением индивидуального обучения с использованием мемов (мемов) с частотой или вероятностью ${\displaystyle f_{il}}$ , с интенсивностью .  ${\displaystyle t_{il}}$ Продолжайте обучение по Ламарку или Болдуину. конец за  концом, пока

Ламарковское обучение в этом контексте означает обновление хромосомы в соответствии с улучшенным решением, найденным на индивидуальном этапе обучения, в то время как Болдуинское обучение оставляет хромосому неизменной и использует только улучшенную приспособленность. Этот псевдокод оставляет открытым вопрос, какие шаги основаны на физической подготовленности людей, а какие нет. Под вопросом стоит эволюция новой популяции и отбор . ${\displaystyle \Omega _{il}}$

Поскольку большинство реализаций МА основаны на ЭА, здесь же, вслед за Красногором, приведен псевдокод соответствующего представителя первого поколения: ^[10]

Псевдокод

 Процедура меметического алгоритма на основе инициализации ЭА : ; // Инициализация счетчика генерации ${\displaystyle t=0}$ Случайным образом сгенерируйте начальную популяцию ; ${\displaystyle P(t)}$ Вычислить фитнес ; пока условия остановки не выполнены, сделайте выбор: соответственно, чтобы выбрать подмножество и сохранить его в ; Потомство: рекомбинируйте и мутируйте особей и сохраняйте их в ; Обучение: улучшение с помощью локального поиска или эвристики ; Оценка: вычислить пригодность ; если обучение по Ламарку , то обновите хромосому в соответствии с улучшением ; fi Новое поколение: Создать , выбрав несколько человек из и ; ; // Увеличиваем счетчик генерации end, пока возвращаем лучшего человека в качестве результата; ${\displaystyle f(p)\ \ \forall p\in P(t)}$  ${\displaystyle f(p)}$ ${\displaystyle P(t)}$ ${\displaystyle M(t)}$  ${\displaystyle p\in M(t)}$ ${\displaystyle M'(t)}$  ${\displaystyle p'}$ ${\displaystyle \forall p'\in M'(t)}$ ${\displaystyle f(p')\ \ \forall p'\in M'(t)}$   ${\displaystyle p'}$ ${\displaystyle \forall p'\in M'(t)}$    ${\displaystyle P(t+1)}$ ${\displaystyle P(t)}$ ${\displaystyle M'(t)}$  ${\displaystyle t=t+1}$  ${\displaystyle p\in P(t-1)}$

Есть несколько альтернатив этой схеме МА. Например:

• Все или некоторые из первоначальных людей могут быть улучшены с помощью мема(ов).
• Вместо потомства локально улучшаются родители.
• Вместо всего потомства локальному улучшению может подвергнуться только случайно выбранная или зависящая от приспособленности фракция. Последнее требует оценки потомства перед этапом обучения . ${\displaystyle M'(t)}$

2-е поколение

Мультимемные, ^[11] гиперэвристические ^{[12] [13]} и металамарковские МА ^{[14] [15]} называются МА второго поколения, демонстрируя в своей конструкции принципы меметической передачи и отбора. При мультимемном МА меметический материал кодируется как часть генотипа . Впоследствии декодированный мем каждого соответствующего индивидуума/ хромосомы используется для локального уточнения. Затем меметический материал передается посредством простого механизма наследования от родителя к потомству (ям). С другой стороны, в гиперэвристическом и металамарковском МА пул рассматриваемых мемов-кандидатов будет конкурировать, основываясь на их прошлых заслугах в создании локальных улучшений посредством механизма вознаграждения, решая, какой мем выбрать для дальнейшего продвижения на локальном уровне. уточнения. Мемы с более высокой наградой имеют больше шансов на дальнейшее использование. Для обзора MA второго поколения; т. е. степень магистра, рассматривающая множество индивидуальных методов обучения в рамках эволюционной системы, мы отсылаем к читателю. ^[16]

3-е поколение

Коэволюцию ^[17] и самогенерирующиеся МА ^[18] можно рассматривать как МА третьего поколения, в которых рассмотрены все три принципа, удовлетворяющие определениям базовой развивающейся системы. В отличие от МА 2-го поколения, которая предполагает, что используемые мемы известны априори, МА 3-го поколения использует локальный поиск на основе правил для дополнения возможных решений внутри эволюционной системы, таким образом фиксируя регулярно повторяющиеся функции или закономерности в проблемном пространстве.

Некоторые замечания по дизайну

Используемый метод обучения/мем оказывает существенное влияние на результаты улучшения, поэтому необходимо проявлять осторожность при принятии решения, какой мем или мемы использовать для конкретной задачи оптимизации. ^{[12] [16] [19]} Частота и интенсивность индивидуального обучения напрямую определяют степень развития (исследования) по сравнению с индивидуальным обучением (эксплуатацией) в поиске МА для данного фиксированного ограниченного вычислительного бюджета. Очевидно, что более интенсивное индивидуальное обучение дает больше шансов на достижение локального оптимума, но ограничивает объем эволюции, который может быть затрачен без привлечения чрезмерных вычислительных ресурсов. Поэтому следует проявлять осторожность при настройке этих двух параметров, чтобы сбалансировать доступный вычислительный бюджет для достижения максимальной производительности поиска. Когда только часть населения подвергается обучению, необходимо рассмотреть вопрос о том, какую подгруппу людей следует совершенствовать, чтобы максимизировать полезность поиска МА. И последнее, но не менее важное: необходимо решить, должен ли соответствующий человек измениться благодаря успеху в обучении (ламаркианское обучение) или нет (болдуинское обучение). Таким образом, необходимо ответить на следующие пять вопросов дизайна ^{[15] [19] [20]} , к первому из которых обращаются все вышеперечисленные представители 2-го поколения во время пробега МА, в то время как расширенная форма металамарковского обучения ^{[ 15]} распространяет это на первые четыре проектных решения.

Выбор индивидуального метода обучения или мема, который будет использоваться для решения конкретной проблемы или человека.

В контексте непрерывной оптимизации индивидуальное обучение существует в форме локальных эвристик или традиционных точных перечислительных методов. ^[21] Примеры индивидуальных стратегий обучения включают восхождение на холм , симплексный метод, метод Ньютона/квазиньютона, методы внутренних точек , метод сопряженных градиентов , поиск по линиям и другие локальные эвристики. Обратите внимание, что большинство распространенных методов индивидуального обучения являются детерминированными.

С другой стороны, в комбинаторной оптимизации отдельные методы обучения обычно существуют в форме эвристики (которая может быть детерминированной или стохастической), адаптированной к конкретной интересующей проблеме. Типичные эвристические процедуры и схемы включают обмен k-геном, обмен ребрами, первое улучшение и многие другие.

Определение индивидуальной частоты обучения

Одним из первых вопросов, касающихся разработки меметических алгоритмов, является рассмотрение того, как часто следует применять индивидуальное обучение; т.е. индивидуальная частота обучения. В одном случае ^[19] рассматривалось влияние индивидуальной частоты обучения на производительность поиска МА, где исследовались различные конфигурации индивидуальной частоты обучения на разных этапах поиска МА. ^{И наоборот, в другом месте [22]} было показано , что, возможно, имеет смысл применять индивидуальное обучение к каждому человеку, если вычислительная сложность индивидуального обучения относительно невелика.

Отбор лиц, к которым применяется индивидуальное обучение

По вопросу выбора подходящих особей среди популяции EA, которые должны пройти индивидуальное обучение, были изучены стратегии, основанные на приспособленности и распределении, для адаптации вероятности применения индивидуального обучения к популяции хромосом в задачах непрерывного параметрического поиска с Лэндом ^[23] расширение работы на задачи комбинаторной оптимизации . Бамбха и др. представил метод моделирования нагрева для систематической интеграции параметризованного индивидуального обучения в эволюционные алгоритмы для достижения максимального качества решения. ^[24]

Уточнение интенсивности индивидуального обучения

Интенсивность индивидуального обучения — это объем вычислительного бюджета, выделяемого на итерацию индивидуального обучения; т. е. максимальный вычислительный бюджет, который можно потратить на индивидуальное обучение для улучшения одного решения. ${\displaystyle t_{il}}$

Выбор ламаркистского или болдуинского обучения

Необходимо решить, должно ли обнаруженное улучшение работать только за счет лучшей приспособленности (болдуинское обучение) или же индивидуум также соответствующим образом адаптируется (ламаркианское обучение). В случае ЭА это будет означать корректировку генотипа. Этот вопрос для советников неоднозначно обсуждался в литературе уже в 1990-х годах, утверждая, что конкретный вариант использования играет важную роль. ^{[25] [26] [27]} В основе дебатов лежит то, что адаптация генома может способствовать преждевременной конвергенции . Этот риск можно эффективно снизить с помощью других мер, позволяющих лучше сбалансировать поиск по широте и глубине, таких как использование структурированных совокупностей . ^[28]

Приложения

Меметические алгоритмы успешно применяются для решения множества реальных задач. Хотя многие люди используют методы, тесно связанные с меметическими алгоритмами, также используются и альтернативные названия, такие как гибридные генетические алгоритмы .

Исследователи использовали меметические алгоритмы для решения многих классических задач NP . Вот некоторые из них: разбиение графа , многомерный рюкзак , задача коммивояжера , квадратичная задача о назначениях , проблема покрытия множеств , минимальная раскраска графа , проблема максимального независимого множества , проблема упаковки контейнеров и обобщенная проблема назначения .

Более поздние приложения включают (но не ограничиваются ими) бизнес-аналитику и науку о данных , ^[3] обучение искусственных нейронных сетей , ^[29] распознавание образов , ^[30] планирование движения роботов , ^{[31] ориентацию} луча , ^[32] проектирование схем. , ^[33] восстановление электроснабжения, ^[34] медицинские экспертные системы , ^[35] планирование работы одной машины , ^[36] автоматическое составление расписания (в частности, расписание НХЛ ) , ^[37] планирование рабочей силы , ^[38] оптимизация реестра медсестер , ^[39] распределение процессоров, ^[40] планирование технического обслуживания (например, распределительной электрической сети), ^[41] планирование нескольких рабочих процессов для ограниченных гетерогенных ресурсов, ^[42] многомерная задача о рюкзаке, ^{[43] проектирование} СБИС , ^[44] кластеризация профилей экспрессии генов , ^[45] выбор признаков/генов, ^{[46] [47]} определение параметров для внедрения аппаратных ошибок, ^[48] и многоклассовый, многоцелевой выбор признаков . ^{[49] [50]}

Последние действия в области меметических алгоритмов

• Семинар IEEE по меметическим алгоритмам (WOMA 2009). Руководители программы: Джим Смит, Университет Западной Англии, Великобритания; Ю-Сун Онг, Наньянский технологический университет, Сингапур; Густавсон Стивен, Ноттингемский университет; ВЕЛИКОБРИТАНИЯ; Мэн Хиот Лим, Наньянский технологический университет, Сингапур; Наталио Красногор, Ноттингемский университет, Великобритания
• Memetic Computing Journal, первый выпуск вышел в январе 2009 года.
• 2008 Всемирный конгресс IEEE по вычислительному интеллекту (WCCI 2008), Гонконг, специальная сессия по меметическим алгоритмам.
• Специальный выпуск «Новые тенденции в мягких вычислениях - меметический алгоритм». Архивировано 27 сентября 2011 г. в Wayback Machine , Soft Computing Journal, завершено и в печати, 2008 г.
• Целевая группа по новым технологиям Общества вычислительной разведки IEEE по меметическим вычислениям. Архивировано 27 сентября 2011 г. в Wayback Machine.
• Конгресс IEEE по эволюционным вычислениям (CEC 2007), Сингапур, специальная сессия по меметическим алгоритмам.
• «Меметические вычисления» от Thomson Scientific's Essential Science Indicators как новая область исследований.
• Специальный выпуск, посвященный меметическим алгоритмам, транзакциям IEEE в системах, человеке и кибернетике - Часть B: Кибернетика, Том. 37, № 1, февраль 2007 г.
• Последние достижения в меметических алгоритмах, Серия: Исследования нечеткости и мягких вычислений, Том. 166, ISBN  978-3-540-22904-9 , 2005.
• Специальный выпуск о меметических алгоритмах, Evolutionary Computation, осень 2004 г., Vol. 12, № 3: в-vi.

Рекомендации

1. Пунам Гарг (апрель 2009 г.). «Сравнение меметического алгоритма и генетического алгоритма криптоанализа алгоритма упрощенного стандартного шифрования данных». Международный журнал сетевой безопасности и ее приложений (IJNSA) . 1 (1). arXiv : 1004.0574 . Бибкод : 2010arXiv1004.0574G.
2. Москато, Пабло (1989), Об эволюции, поиске, оптимизации, генетических алгоритмах и боевых искусствах: к меметическим алгоритмам, Программа параллельных вычислений Калифорнийского технологического института, Технический отчет 826, Пасадена, Калифорния: Калифорнийский технологический институт
3. Москато, П.; Мэтисон, Л. (2019). «Меметические алгоритмы для бизнес-аналитики и науки о данных: краткий обзор». Бизнес и потребительская аналитика: новые идеи . Спрингер . стр. 545–608. дои : 10.1007/978-3-030-06222-4_13. ISBN 978-3-030-06221-7. S2CID  173187844.
4. Чен, XS; Онг, Ю.С.; Лим, Миннесота; Тан, К.К. (2011). «Многогранный обзор меметических вычислений». Транзакции IEEE в эволюционных вычислениях . 15 (5): 591–607. дои : 10.1109/tevc.2011.2132725. S2CID  17006589.
5. Чен, XS; Онг, Ю.С.; Лим, Миннесота (2010). «Граница исследований: меметические вычисления - прошлое, настоящее и будущее». Журнал IEEE Computational Intelligence . 5 (2): 24–36. дои : 10.1109/mci.2010.936309. hdl : 10356/148175 . S2CID  17955514.
6. Вулперт, Д.Х.; Макриди, WG (апрель 1997 г.). «Нет теорем бесплатного обеда для оптимизации». Транзакции IEEE в эволюционных вычислениях . 1 (1): 67–82. дои : 10.1109/4235.585893. S2CID  5553697.
7. Вулперт, Д.Х.; Макреди, WG (1995). «Теоремы о бесплатном обеде для поиска отсутствуют». Технический отчет СФИ-ТР-95-02-010 . Институт Санта-Фе. S2CID  12890367.
8. Дэвис, Лоуренс (1991). Справочник по генетическим алгоритмам . Нью-Йорк: Ван Ностранд Рейнхольд. ISBN 0-442-00173-8. ОСЛК  23081440.
9. Москато, Пабло (1989), Об эволюции, поиске, оптимизации, генетических алгоритмах и боевых искусствах: на пути к меметическим алгоритмам, Программа параллельных вычислений Калифорнийского технологического института, Технический отчет 826, Пасадена, Калифорния: Калифорнийский технологический институт, стр. 19–20
10. Красногор, Наталио (2002). Исследования по теории и дизайн-пространству меметических алгоритмов (доктор философии). Бристоль, Великобритания: Университет Западной Англии. п. 23.
11. Красногор, Наталио (1999). «Коэволюция генов и мемов в меметических алгоритмах». Аспирантура : 371.
12. Кендалл Г., Собейга Э. и Коулинг П. Функция выбора и случайная гиперэвристика (PDF) . 4-я Азиатско-Тихоокеанская конференция по моделированию эволюции и обучения. SEAL 2002. стр. 667–671.
13. Берк ЭК; Жандро М.; Хайд М.; Кендалл Дж.; Очоа Г.; Оумл; зкан Э.; Цюй Р. (2013). «Гиперэвристика: обзор современного состояния». Журнал Общества операционных исследований . 64 (12): 1695–1724. CiteSeerX 10.1.1.384.9743 . дои : 10.1057/jors.2013.71. S2CID  3053192. 
14. Ю. С. Онг и Эй Джей Кин (2004). «Металамаркианское обучение в меметических алгоритмах» (PDF) . Транзакции IEEE в эволюционных вычислениях . 8 (2): 99–110. дои : 10.1109/TEVC.2003.819944. S2CID  11003004.
15. Якоб, Вильфрид (сентябрь 2010 г.). «Общая структура адаптации мультимемных алгоритмов, основанная на затратах и ​​выгодах». Меметические вычисления . 2 (3): 201–218. дои : 10.1007/s12293-010-0040-9. ISSN  1865-9284. S2CID  167807.
16. Онг Ю.С., Лим М.Х., Чжу Н. и Вонг К.В. (2006). «Классификация адаптивных меметических алгоритмов: сравнительное исследование» (PDF) . Транзакции IEEE о системах, человеке и кибернетике. Часть B: Кибернетика . 36 (1): 141–152. дои : 10.1109/TSMCB.2005.856143. hdl : 10220/4653. PMID  16468573. S2CID  818688.
17. Смит Дж. Э. (2007). «Совместное развитие меметических алгоритмов: обзор и отчет о ходе работы» (PDF) . Транзакции IEEE о системах, человеке и кибернетике. Часть B: Кибернетика . 37 (1): 6–17. дои : 10.1109/TSMCB.2006.883273. PMID  17278554. S2CID  13867280.
18. Красногор Н. и Густавсон С. (2002). «На пути к истинно «меметическим» меметическим алгоритмам: обсуждение и доказательство концепций». Достижения в области вычислений, вдохновленных природой: семинары PPSN VII. ПЕДАЛЬ (Лаборатория параллельных новых и распределенных архитектур). Университет Рединга .
19. Харт, Уильям Э. (декабрь 1994 г.). Адаптивная глобальная оптимизация с локальным поиском (доктор философии). Сан-Диего, Калифорния: Калифорнийский университет. CiteSeerX 10.1.1.473.1370 . 
20. Харт, Уильям Э.; Красногор, Наталио; Смит, Джим Э. (сентябрь 2004 г.). «Редакционное введение, специальный выпуск о меметических алгоритмах». Эволюционные вычисления . 12 (3): v – vi. дои : 10.1162/1063656041775009. ISSN  1063-6560. S2CID  9912363.
21. Швефель, Ханс-Пол (1995). Эволюция и поиск оптимального. Нью-Йорк: Уайли. ISBN 0-471-57148-2.
22. Ку, KWC; Мак, МВт; Сиу., WC (2000). «Исследование ламарковской эволюции рекуррентных нейронных сетей». Транзакции IEEE в эволюционных вычислениях . 4 (1): 31–42. дои : 10.1109/4235.843493. HDL : 10397/289 .
23. Земля, MWS (1998). Эволюционные алгоритмы с локальным поиском для комбинаторной оптимизации (Диссертация). Сан-Диего, Калифорния: Калифорнийский университет. CiteSeerX 10.1.1.55.8986 . ISBN  978-0-599-12661-9.
24. Бамбха Н.К., Бхаттачарья С.С., Тейх Дж. и Зитцлер Э. (2004). «Систематическая интеграция параметризованного локального поиска в эволюционные алгоритмы». Транзакции IEEE в эволюционных вычислениях . 8 (2): 137–155. дои : 10.1109/TEVC.2004.823471. S2CID  8303351.
25. Груо, Фредерик; Уитли, Даррелл (сентябрь 1993 г.). «Добавление обучения к клеточному развитию нейронных сетей: эволюция и эффект Болдуина». Эволюционные вычисления . 1 (3): 213–233. дои : 10.1162/evco.1993.1.3.213. ISSN  1063-6560. S2CID  15048360.
26. Орвош, Дэвид; Дэвис, Лоуренс (1993), Форрест, Стефани (редактор), «Должны ли мы восстановить? Генетические алгоритмы, комбинаторная оптимизация и ограничения осуществимости», Conf. Учеб. 5-го Межд. Конф. по генетическим алгоритмам (ICGA) , Сан-Матео, Калифорния, США: Морган Кауфманн, стр. 650, ISBN 978-1-55860-299-1, S2CID  10098180
27. Уитли, Даррелл; Гордон, В. Скотт; Матиас, Кейт (1994), Давидор, Юваль; Швефель, Ханс-Пауль; Мэннер, Рейнхард (ред.), «Эволюция Ламарка, эффект Болдуина и оптимизация функций», Параллельное решение проблем из природы - PPSN III , Берлин, Гейдельберг: Springer Berlin Heidelberg, vol. 866, стр. 5–15, номер документа : 10.1007/3-540-58484-6_245, ISBN. 978-3-540-58484-1, получено 7 февраля 2023 г.
28. Якоб, Вильфрид (сентябрь 2010 г.). «Общая структура адаптации мультимемных алгоритмов, основанная на затратах и ​​выгодах». Меметические вычисления . стр.207. 2 (3): 201–218. дои : 10.1007/s12293-010-0040-9. ISSN  1865-9284. S2CID  167807.
29. Ичимура, Т.; Курияма, Ю. (1998). Обучение нейронных сетей с параллельным гибридным ГА с использованием функции королевской дороги . Международная совместная конференция IEEE по нейронным сетям. Том. 2. Нью-Йорк, штат Нью-Йорк. стр. 1131–1136. doi : 10.1109/IJCNN.1998.685931.
30. Агилар, Дж.; Кольменарес, А. (1998). «Решение проблем распознавания образов с использованием гибридного алгоритма обучения генетических/случайных нейронных сетей». Анализ шаблонов и приложения . 1 (1): 52–61. дои : 10.1007/BF01238026. S2CID  15803359.
31. Ридао, М.; Рикельме, Дж.; Камачо, Э.; Торо, М. (1998). «Эволюционный и локальный алгоритм поиска для планирования движения двух манипуляторов». Задачи и методы прикладного искусственного интеллекта . Конспекты лекций по информатике. Том. 1416. Шпрингер-Верлаг. стр. 105–114. CiteSeerX 10.1.1.324.2668 . дои : 10.1007/3-540-64574-8_396. ISBN  978-3-540-64574-0.
32. Хаас, О.; Бернэм, К.; Миллс, Дж. (1998). «Оптимизация ориентации луча в лучевой терапии с использованием планарной геометрии». Физика в медицине и биологии . 43 (8): 2179–2193. Бибкод : 1998PMB....43.2179H. дои : 10.1088/0031-9155/43/8/013. PMID  9725597. S2CID  250856984.
33. Харрис, С.; Ифичор, Э. (1998). «Автоматическое проектирование фильтров частотной дискретизации с использованием методов гибридных генетических алгоритмов». Транзакции IEEE по обработке сигналов . 46 (12): 3304–3314. Бибкод : 1998ITSP...46.3304H. дои : 10.1109/78.735305.
34. Огульяро, А.; Дюсонше, Л.; Рива-Сансеверино, Э. (1998). «Восстановление сервиса в компенсированных торговых сетях с использованием гибридного генетического алгоритма». Исследование электроэнергетических систем . 46 (1): 59–66. дои : 10.1016/S0378-7796(98)00025-X.
35. Веренс, Р.; Лукасиус, К.; Байденс, Л.; Кейтман, Г. (1993). «HIPS, гибридная самоадаптирующаяся экспертная система для интерпретации спектра ядерного магнитного резонанса с использованием генетических алгоритмов». Аналитика Химика Акта . 277 (2): 313–324. дои : 10.1016/0003-2670(93)80444-П. hdl : 2066/112321 . S2CID  53954763.
36. Франса, П.; Мендес, А.; Москато, П. (1999). Меметические алгоритмы для минимизации задержек на одной машине с зависящим от последовательности временем настройки . Материалы 5-й Международной конференции Института принятия решений. Афины, Греция. стр. 1708–1710. S2CID  10797987.
37. Коста, Дэниел (1995). «Эволюционный алгоритм поиска табу и проблема планирования НХЛ». ИНФОР: Информационные системы и операционные исследования . 33 (3): 161–178. дои : 10.1080/03155986.1995.11732279. S2CID  15491435.
38. Айкелин, У. (1998). Реестр медсестер с использованием генетических алгоритмов . Материалы конференции молодых оперативных исследований, 1998 г. Гилфорд, Великобритания. arXiv : 1004.2870 .
39. Озджан, Э. (2007). «Мемы, самогенерация и реестр медсестер». Практика и теория автоматического составления расписаний VI . Конспекты лекций по информатике. Том. 3867. Шпрингер-Верлаг. стр. 85–104. дои : 10.1007/978-3-540-77345-0_6. ISBN 978-3-540-77344-3.
40. Озджан, Э.; Онбасиоглу, Э. (2007). «Меметические алгоритмы для оптимизации параллельного кода». Международный журнал параллельного программирования . 35 (1): 33–61. дои : 10.1007/s10766-006-0026-x. S2CID  15182941.
41. Берк, Э.; Смит, А. (1999). «Меметический алгоритм для планирования планового обслуживания национальной сети». Журнал экспериментальной алгоритмики . 4 (4): 1–13. дои : 10.1145/347792.347801 . S2CID  17174080.
42. Якоб, Уилфрид; Страк, Сильвия; Квинт, Александр; Бенгель, Гюнтер; Стаки, Карл-Уве; Зюсс, Вольфганг (22 апреля 2013 г.). «Быстрое перепланирование нескольких рабочих процессов для ограниченных гетерогенных ресурсов с использованием многокритериальных меметических вычислений». Алгоритмы . 6 (2): 245–277. дои : 10.3390/a6020245 . ISSN  1999-4893.
43. Озджан, Э.; Басаран, К. (2009). «Пример меметических алгоритмов для оптимизации ограничений». Мягкие вычисления: сочетание основ, методологий и приложений . 13 (8–9): 871–882. CiteSeerX 10.1.1.368.7327 . дои : 10.1007/s00500-008-0354-4. S2CID  17032624. 
44. Арейби, С.; Ян, З. (2004). «Эффективные меметические алгоритмы для автоматизации проектирования СБИС = генетические алгоритмы + локальный поиск + многоуровневая кластеризация». Эволюционные вычисления . 12 (3): 327–353. дои : 10.1162/1063656041774947. PMID  15355604. S2CID  2190268.
45. Мерц, П.; Зелл, А. (2002). «Кластеризация профилей экспрессии генов с помощью меметических алгоритмов». Параллельное решение проблем из природы — PPSN VII . Конспекты лекций по информатике. Том. 2439. Спрингер . стр. 811–820. дои : 10.1007/3-540-45712-7_78. ISBN 978-3-540-44139-7.
46. Цзэсюань Чжу, Ю.С. Онг и М. Даш (2007). «Марковский генетический алгоритм для отбора генов». Распознавание образов . 49 (11): 3236–3248. Бибкод : 2007PatRe..40.3236Z. дои : 10.1016/j.patcog.2007.02.007.
47. Цзэсюань Чжу, Ю.С. Онг и М. Даш (2007). «Алгоритм выбора функций фильтра-обертки с использованием меметической структуры». Транзакции IEEE о системах, человеке и кибернетике. Часть B: Кибернетика . 37 (1): 70–76. дои : 10.1109/TSMCB.2006.883267. hdl : 10338.dmlcz/141593 . PMID  17278560. S2CID  18382400.
48. «Искусственный интеллект для выбора параметров внесения неисправностей | Марина Крчек | Вебинар Hardwear.io» . Hardwear.io . Проверено 21 мая 2021 г.
49. Чжу, Цзэсюань; Онг, Ю-Сун; Зурада, Яцек М (апрель 2010 г.). «Идентификация полных и частичных генов, релевантных классу». Транзакции IEEE/ACM по вычислительной биологии и биоинформатике . 7 (2): 263–277. дои : 10.1109/TCBB.2008.105. ISSN  1545-5963. PMID  20431146. S2CID  2904028.
50. Г. Каркавицас и Г. Циринцис (2011). «Автоматическая классификация музыкальных жанров с использованием гибридных генетических алгоритмов». Интеллектуальные интерактивные мультимедийные системы и услуги . Умные инновации, системы и технологии. Том. 11. Спрингер. стр. 323–335. дои : 10.1007/978-3-642-22158-3_32. ISBN 978-3-642-22157-6. S2CID  15011089.