Modelo de evolución aprendible

El modelo de evolución aprendible ( LEM , por sus siglas en inglés) es una metodología no darwiniana para la computación evolutiva que emplea el aprendizaje automático para guiar la generación de nuevos individuos ( soluciones candidatas a problemas ). A diferencia de los métodos estándar de computación evolutiva de tipo darwiniano que utilizan operadores aleatorios o semialeatorios para generar nuevos individuos (como mutaciones o recombinaciones ), LEM emplea operadores de generación e instanciación de hipótesis.

El operador de generación de hipótesis aplica un programa de aprendizaje automático para generar descripciones que distinguen entre individuos con alta y baja aptitud en cada población consecutiva. Dichas descripciones delimitan áreas en el espacio de búsqueda que probablemente contienen las soluciones deseadas. Posteriormente, el operador de instanciación muestrea estas áreas para crear nuevos individuos. LEM se ha modificado del dominio de optimización al dominio de clasificación mediante LEM aumentado con ID3 (febrero de 2013 por M. Elemam Shehab, K. Badran, M. Zaki y Gouda I. Salama).

• Cervone, P.; Franzese (enero de 2010), "Aprendizaje automático para la detección de fuentes de emisiones atmosféricas", Actas de la 8.ª Conferencia sobre Aplicaciones de la Inteligencia Artificial a las Ciencias Ambientales, Código J1.7
• Wojtusiak, J.; Michalski, RS (2006), "La implementación en LEM3 del modelo de evolución aprendible y su prueba en problemas complejos de optimización de funciones", Actas de la 8.ª conferencia anual sobre computación genética y evolutiva , Seattle, WA, pág.  1281, CiteSeerX 10.1.1.72.2298 , doi : 10.1145/1143997.1144197 , ISBN  978-1595931863, S2CID 6133889 {{citation}}: CS1 mantenimiento: falta el editor de ubicación ( enlace )
• Wojtusiak, J. (8-12 de julio de 2006), "Estudio inicial sobre el manejo de problemas de optimización con restricciones en modelos de evolución aprendibles", Actas del taller para estudiantes de posgrado en la Conferencia de Computación Genética y Evolutiva, GECCO 2006
• Jourdan, L.; Corne, D.; Savic, D.; Walters, G. (2005), "Investigación preliminar del 'modelo de evolución aprendible' para un diseño más rápido y mejor de sistemas de agua multiobjetivo", Optimización multicriterio evolutiva , Lecture Notes in Computer Science, vol.  3410, pp. 841–855 , CiteSeerX 10.1.1.73.9653 , doi : 10.1007/978-3-540-31880-4_58 , ISBN   978-3-540-24983-2
• Domanski, PA; Yashar, D.; Kaufman, K.; Michalski, RS (abril de 2004), "Diseño optimizado de evaporadores de tubos aleteados mediante el modelo de evolución aprendible", International Journal of Heating, Ventilating, Air-Conditioning and Refrigerating Research , 10 : 201–211
• Kaufman, K.; Michalski, RS (2000), "Aplicación de un modelo de evolución aprendible al diseño de intercambiadores de calor", Actas de la Decimoséptima Conferencia Nacional sobre Inteligencia Artificial (AAAI-2000) y la Duodécima Conferencia Anual sobre Aplicaciones Innovadoras de la Inteligencia Artificial (IAAI- 2000 ) : 1014–1019
• Cervone, G.; Michalski, RS; Kaufman, KA (julio de 2000). «Validaciones experimentales del modelo de evolución aprendible». Actas del Congreso de Computación Evolutiva de 2000. CEC00 (Cat. No. 00TH8512) . Vol.  2. págs. 1064–1071 . doi : 10.1109/CEC.2000.870765 . ISBN  0-7803-6375-2. S2CID 3149132 . 
• Michalski, RS (2000), "MODELO DE EVOLUCIÓN APRENDIBLE: Procesos evolutivos guiados por aprendizaje automático", Machine Learning , 38 : 9–40 , doi : 10.1023/A:1007677805582
• Michalski, R.S. (11-13 de junio de 1998), "Evolución aprendible: combinación del aprendizaje simbólico y evolutivo", Actas del Cuarto Taller Internacional sobre Aprendizaje Multiestratégico (MSL'98) : 14-20
• H Yar, M. (11–13 de junio de 2016), "Una revisión sobre computación evolutiva: métodos y sus aplicaciones en ingeniería", Mod. Appl. Sci : 14–20