Startseite>Programmierbezogen>AI-Quellcode
Herunterladen

Jenetik

Jenetics ist eine Bibliothek für genetische Algorithmen , evolutionäre Algorithmen , grammatikalische Evolution , genetische Programmierung und multiobjektive Optimierung , geschrieben in modernem Java. Es ist mit einer klaren Trennung der verschiedenen Konzepte des Algorithmus konzipiert, z. B. Gene , Chromosome , Genotype , Phenotype , Population und Function . Mit Jenetics können Sie die gegebene Fitnessfunktion minimieren und maximieren, ohne sie zu optimieren. Im Gegensatz zu anderen GA-Implementierungen nutzt die Bibliothek das Konzept eines Evolutionsstreams ( EvolutionStream ) zur Ausführung der Evolutionsschritte. Da EvolutionStream die Java Stream-Schnittstelle implementiert, funktioniert es reibungslos mit dem Rest der Java Stream API.

Andere Sprachen

  • Jenetics.Net : Experimenteller .NET Core-Port in C# der Basisbibliothek.
  • Helisa : Scala-Wrapper um die Jenetics-Bibliothek.

Dokumentation

Die Bibliothek ist vollständig dokumentiert (Javadoc) und wird mit einem Benutzerhandbuch (PDF) geliefert.

Erstellen Sie Jenetics

Zum Kompilieren und Ausführen ist für Jenetics mindestens Java 21 erforderlich.

Schauen Sie sich den Master-Zweig von GitHub an. 

 $ git clone https://github.com/jenetics/jenetics.git <builddir>

Jenetics verwendet Gradle als Build-System und organisiert die Quelle in Unterprojekte (Module). Jedes Teilprojekt befindet sich in einem eigenen Unterverzeichnis:

Veröffentlichte Projekte

Die folgenden Projekte/Module werden auch in Maven veröffentlicht.

  • jenetics : Dieses Projekt enthält den Quellcode und Tests für das Jenetics-Kernmodul.
  • jenetics.ext : Dieses Modul enthält zusätzliche nicht standardmäßige GA-Operationen und Datentypen. Es enthält auch Kurse zur Lösung multiobjektiver Probleme (MOEA) und zur Grammatikentwicklung (GE).
  • jenetics.prog : Die Module enthalten Klassen, die genetische Programmierung (GP) ermöglichen. Es funktioniert nahtlos mit dem vorhandenen EvolutionStream und der Evolution Engine .
  • jenetics.xml : XML-Marshalling-Modul für die Jenetics- Basisdatenstrukturen.

Nicht veröffentlichte Projekte

  • jenetics.example : Dieses Projekt enthält Beispielcode für das Kernmodul .
  • jenetics.doc : Enthält den Code der Website und das Handbuch.
  • jenetics.tool : Dieses Modul enthält Klassen, die für Integrationstests und algorithmische Leistungstests verwendet werden. Es wird auch zum Erstellen von GA-Leistungskennzahlen und zum Erstellen von Diagrammen aus den Leistungskennzahlen verwendet.

Zum Erstellen der Bibliothek wechseln Sie in das Verzeichnis <builddir> (oder eines der Modulverzeichnisse) und rufen eine der verfügbaren Aufgaben auf:

  • compileJava : Kompiliert die Jenetics-Quellen und kopiert die Klassendateien in das Verzeichnis <builddir>/<module-dir>/build/classes/main .
  • jar : Kompiliert die Quellen und erstellt die JAR-Dateien. Die Artefakte werden in das Verzeichnis <builddir>/<module-dir>/build/libs kopiert.
  • javadoc : Erzeugt die API-Dokumentation. Das Javadoc wird im Verzeichnis <builddir>/<module-dir>/build/docs gespeichert
  • test : Kompiliert die Unit-Tests und führt sie aus. Die Testergebnisse werden auf der Konsole gedruckt und ein von TestNG erstellter Testbericht wird in das Verzeichnis <builddir>/<module-dir> geschrieben.
  • clean : Löscht die Verzeichnisse <builddir>/build/* und entfernt alle generierten Artefakte.

Zum Erstellen des Bibliotheks-JAR aus dem Quellaufruf 

 $ cd <build-dir>
$ ./gradlew jar

Beispiel

Hallo Welt (Einer zählt)

Das Minimum-Evolution-Engine-Setup erfordert eine Genotyp-Fabrik, Factory<Genotype<?>> und eine Fitness- Function . Der Genotype implementiert die Factory Schnittstelle und kann daher als Prototyp für die Erstellung der anfänglichen Population und für die Erstellung neuer zufälliger Genotypes verwendet werden. 

 import io . jenetics . BitChromosome ;
import io . jenetics . BitGene ;
import io . jenetics . Genotype ;
import io . jenetics . engine . Engine ;
import io . jenetics . engine . EvolutionResult ;
import io . jenetics . util . Factory ;

public class HelloWorld {
    // 2.) Definition of the fitness function.
    private static Integer eval ( Genotype < BitGene > gt ) {
        return gt . chromosome ()
            . as ( BitChromosome . class )
            . bitCount ();
    }

    public static void main ( String [] args ) {
        // 1.) Define the genotype (factory) suitable
        //     for the problem.
        Factory < Genotype < BitGene >> gtf =
            Genotype . of ( BitChromosome . of ( 10 , 0.5 ));

        // 3.) Create the execution environment.
        Engine < BitGene , Integer > engine = Engine
            . builder ( HelloWorld :: eval , gtf )
            . build ();

        // 4.) Start the execution (evolution) and
        //     collect the result.
        Genotype < BitGene > result = engine . stream ()
            . limit ( 100 )
            . collect ( EvolutionResult . toBestGenotype ());

        System . out . println ( "Hello World: n " + result );
    }
}

Im Gegensatz zu anderen GA-Implementierungen nutzt die Bibliothek das Konzept eines Evolutionsstreams ( EvolutionStream ) zur Ausführung der Evolutionsschritte. Da EvolutionStream die Java Stream-Schnittstelle implementiert, funktioniert es reibungslos mit dem Rest der Java-Streaming-API. Schauen wir uns nun die obige Auflistung genauer an und besprechen wir dieses einfache Programm Schritt für Schritt:

  1. Der wahrscheinlich schwierigste Teil beim Einrichten einer neuen Evolutions Engine besteht darin, die Problemdomäne in eine geeignete Genotype (Fabrik-)Darstellung umzuwandeln. In unserem Beispiel wollen wir die Anzahl der Einsen eines BitChromosome zählen. Da wir nur diejenigen eines Chromosoms zählen, fügen wir unserem Genotype nur ein BitChromosome hinzu. Im Allgemeinen kann der Genotype mit 1 bis n Chromosomen erstellt werden.

  2. Sobald dies erledigt ist, kann die Fitnessfunktion definiert werden, die maximiert werden soll. Unter Verwendung der neuen Sprachfunktionen, die in Java 8 eingeführt wurden, schreiben wir einfach eine private statische Methode, die den von uns definierten Genotyp verwendet und seinen Fitnesswert berechnet. Wenn wir die optimierte Bitzählmethode bitCount() verwenden möchten, müssen wir die Klasse Chromosome<BitGene> in die tatsächlich verwendete BitChromosome Klasse umwandeln. Da wir sicher wissen, dass wir den Genotyp mit einem BitChromosome erstellt haben, kann dies sicher durchgeführt werden. Eine Referenz auf die Methode eval wird dann als Fitnessfunktion verwendet und an die Methode Engine.build übergeben.

  3. Im dritten Schritt erstellen wir die Evolutions Engine , die für die Veränderung bzw. Weiterentwicklung einer bestimmten Population verantwortlich ist. Die Engine ist hochgradig konfigurierbar und verfügt über Parameter zur Steuerung der Evolutions- und Rechenumgebung. Um das Evolutionsverhalten zu ändern, können Sie verschiedene Alterer und Selektoren festlegen. Durch Ändern des verwendeten Executor Dienstes steuern Sie die Anzahl der Threads; Die Engine darf verwendet werden. Eine neue Engine Instanz kann nur über ihren Builder erstellt werden, der durch Aufruf der Engine.builder -Methode erstellt wird.

  4. Im letzten Schritt können wir aus unserer Engine einen neuen EvolutionStream erstellen. Der EvolutionStream ist das Modell oder die Sicht auf den Evolutionsprozess. Es dient als „Prozessgriff“ und ermöglicht Ihnen unter anderem auch die Steuerung des Abbruchs der Evolution. In unserem Beispiel kürzen wir den Stream einfach nach 100 Generationen. Wenn Sie den Stream nicht einschränken, wird EvolutionStream nicht beendet und läuft nicht für immer. Da der EvolutionStream die java.util.stream.Stream Schnittstelle erweitert, lässt er sich reibungslos in den Rest der Java Stream API integrieren. Das Endergebnis, in unserem Beispiel der beste Genotype , wird dann mit einem der vordefinierten Kollektoren der EvolutionResult Klasse gesammelt.

Sich entwickelnde Bilder

In diesem Beispiel wird versucht, ein gegebenes Bild durch halbtransparente Polygone anzunähern. Es verfügt über eine Swing-Benutzeroberfläche, mit der Sie sofort Ihre eigenen Experimente starten können. Nach der Zusammenstellung der Quellen mit 

 $ ./gradlew compileTestJava

Sie können das Beispiel durch einen Aufruf starten 

 $ ./jrun io.jenetics.example.image.EvolvingImages

Das vorherige Bild zeigt die GUI, nachdem das Standardbild über etwa 4.000 Generationen weiterentwickelt wurde. Mit der Schaltfläche »Öffnen« ist es möglich, weitere Bilder zur Polygonisierung zu laden. Mit der Schaltfläche „Speichern“ können Sie polygonisierte Bilder im PNG-Format auf der Festplatte speichern. Über die Schaltfläche der Benutzeroberfläche können Sie einige GA-Parameter des Beispiels ändern.

Projekte mit Jenetics

  • SPEAR : SPEAR (Smart Prognosis of Energy with Allocation of Resources) hat eine erweiterbare Plattform für Energie- und Effizienzoptimierungen von Produktionssystemen geschaffen.
  • Renaissance Suite : Renaissance ist eine moderne, offene und vielfältige Benchmark-Suite für die JVM, die auf das Testen von JIT-Compilern, Garbage Collectors, Profilern, Analysatoren und anderen Tools abzielt.
  • APP4MC : Eclipse APP4MC ist eine Plattform für die Entwicklung eingebetteter Multi- und Many-Core-Softwaresysteme.

Blogs und Artikel

  • Schachprobleme komponieren mit evolutionären Algorithmen, von Jakob Leck , Dez. 2023, Die Schwalbe 324-2, S. 373-380. Komposition und Lösung von Schachproblemen mit einer größeren Anzahl von Steinen als üblich. Anstelle eines Brute-Force-Ansatzes wird ein GA zur Lösung der Probleme eingesetzt.
  • Das Rucksackproblem mit der Jenetics-Bibliothek lösen, von Craftcode Crew , 13. Mai 2021
  • Von Jenetics am 26. November 2018 am 22. November 2018 veröffentlicht
  • Einführung in die Jenetics Library, von baeldung , 11. April 2017
  • Wie man schwierige Probleme mithilfe genetischer Algorithmen löst, von Tzofia Shiftan , 6. April 2017
  • Genetische Algorithmen mit Java, von William Antônio , 10. Januar 2017
  • Jenetics 2015, von JDM , 8. Mai 2015
  • 유전 알고리즘 (Genetic Algorithms), von JDM , 2. April 2015

Zitate

Vincent A. Cicirello. Open-Source-Evolutionsberechnung mit Chips-n-Salsa. Informatik, School of Business, Stockton University. Dez. 2024.

...

  1. Vincent A. Cicirello. Open-Source-Evolutionsberechnung mit Chips-n-Salsa. Informatik, School of Business, Stockton University. Dez. 2024.
  2. S. Gruber, P. Feichtenschlager, C. Fabianek, E. Gringinger und CG Schütz. Auf dem Weg zu einem heuristischen Optimierer für ein Zielzeitmanagementsystem im Flugverkehrsflussmanagement. 2024 AIAA DATC/IEEE 43. Digital Avionics Systems Conference (DASC), San Diego, CA, USA, 2024, S. 1-10. Nov. 2024.
  3. Šimić, G., Jevremović, A., Strugarević, D. Verbesserung des Lehrprozesses mithilfe des genetischen Algorithmus. In: Perakovic, D., Knapcikova, L. (Hrsg.) Zukünftige Zugangsermöglicher für allgegenwärtige und intelligente Infrastrukturen. FABULOUS 2024. Vorlesungsskript des Instituts für Informatik, Sozialinformatik und Nachrichtentechnik, Bd. 596. Okt. 2024.
  4. Dimitris G. Mintisa ∙ Nikolaos Cheimariosa ∙ Andreas Tsoumanisa ∙ Anastasios G. Papadiamantisa ∙ Nico W. van den Brinkd ∙ Henk J. van Lingene ∙ Georgia Melagrakif ∙ Iseult Lynchb ∙ Antreas Afantitis. NanoBioAccumulate: Modellierung der Aufnahme und Bioakkumulation von Nanomaterialien im Boden und in wirbellosen Wassertieren über die Enalos DIAGONAL Cloud Platform. Zeitschrift für Computational and Structural Biotechnology. Elsevier, 2001-0370. Okt. 2024.
  5. R. Jordão, F. Bahrami, Y. Yang, M. Becker, I. Sander und K. Rosvall. Mehrobjektive, präferenzfreie, exakte Designraum-Erkundung von statischem DSP auf Multicore-Plattformen. 2024 Forum on Specification & Design Languages ​​(FDL), Stockholm, Schweden, 2024, S. 1-9. Sept. 2024.
  6. Jared Murphy und Travis Desell. Minimierung des EXA-GP-Graph-basierten genetischen Programmieralgorithmus für interpretierbare Zeitreihenvorhersagen. In Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO '24 Companion). Association for Computing Machinery, New York, NY, USA, 1686–1690. August 2024.
  7. Jared Murphy, Devroop Kar, Joshua Karns und Travis Desell. EXA-GP: Vereinheitlichung graphbasierter genetischer Programmierung und Neuroevolution für erklärbare Zeitreihenvorhersagen. In Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO '24 Companion). Association for Computing Machinery, New York, NY, USA, 523–526. August 2024.
  8. Sebastian Gruber, Paul Feichtenschlager und Christoph G. Schütz. Verwendung genetischer Algorithmen zur datenschutzerhaltenden Optimierung von Zuordnungsproblemen mit mehreren Zielen in zeitkritischen Umgebungen: Eine Anwendung im Flugverkehrsflussmanagement. In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO '24). Association for Computing Machinery, New York, NY, USA, 1246–1254. Juli 2024.
  9. Jianghao Wang, Clay Stevens, Brooke Kidmose, Myra B. Cohen und Hamid Bagheri. Evolutionäre Analyse von Legierungsspezifikationen mit einer adaptiven Fitnessfunktion. Suchbasiertes Software-Engineering. SSBSE 2024. Vorlesungsunterlagen in Informatik, Band 14767. Springer. Juli 2024.
  10. Bernhard J. Berger; Christina Plump; Lauren Paul; Rolf Drechsler. EvoAl – Codelose Domänenoptimierung. Konferenz über genetische und evolutionäre Berechnungen (GECCO-2024). Juli 2024.
  11. Christina Plump, Daniel C. Hoinkiss, Jörn Huber, Bernhard J. Berger, Matthias Günther, Christoph Lüth, Rolf Drechsler. Finden der perfekten MRT-Sequenz für Ihren Patienten --- Auf dem Weg zu einem Optimierungsworkflow für MRT-Sequenzen. IEEE WCCI 2024. Juni 2024.
  12. Milan Čugurović, Milena Vujošević Janičić, Vojin Jovanović, Thomas Würthinger. GraalSP: Polyglotter, effizienter und robuster, auf maschinellem Lernen basierender statischer Profiler. Journal of Systems and Software, Band 213, 2024, 112058, ISSN 0164-1212. Juli. 2024.
  13. Wenwen Feng, Xiaohui Lei, Yunzhong Jiang, Chao Wang, Weihong Liao, Hao Wang, Gong Xinghui, Yu Feng. Kopplung modellprädiktiver Steuerung und regelbasierter Steuerung zur Echtzeitsteuerung städtischer Flusssysteme. Journal of Hydrology, 2024, 131228, ISSN 0022-1694. April 2024.
  14. S. Sint, A. Mazak-Huemer, M. Eisenberg, D. Waghubinger und M. Wimmer. Automatische Optimierung von Toleranzbereichen zur modellgesteuerten Laufzeitzustandserkennung. IEEE-Transaktionen zur Automatisierungswissenschaft und -technik. April. 2024.
  15. Cicirello, Vincent A. Evolutionäre Berechnung: Theorien, Techniken und Anwendungen. Angewandte Wissenschaften 14, Nr. 6: 2542. März 2024.
  16. Koitz-Hristov R, Sterner T, Stracke L, Wotawa F. Zur Eignung überprüfter Abdeckung und genetischer Parameteroptimierung bei der Reduzierung von Testsuiten. J Softw Evol Proc. 2024;e2656. Februar 2024.
  17. Jordão, Rodolfo; Becker, Matthias; Sander, Ingo. IDeSyDe: Systematische Designraum-Erkundung mittels Designraum-Identifizierung. ACM-Transaktionen zur Entwurfsautomatisierung elektronischer Systeme. Februar 2024.
  18. Squillero, G., Tonda, A. Veni, Vidi, Evolvi Kommentar zu WB Langdons „Der Weiße Hai 30“. Genet Program Evolvable Mach 24, 24 (2023) Nov. 2023.
  19. Eneko Osaba, Gorka Benguria, Jesus L. Lobo, Josu Diaz-de-Arcaya, Juncal Alonso, Iñaki Etxaniz. Optimierung von IaC-Konfigurationen: eine Fallstudie mit von der Natur inspiriertem Computing. CIIS 2023. Nov. 2023.
  20. Sapra, D., Pimentel, AD erforschen Multi-Core-Systeme mit lebenslanger Zuverlässigkeit und Kompromissen beim Stromverbrauch. Eingebettete Computersysteme: Architekturen, Modellierung und Simulation. SAMOS 2023. Vorlesungsunterlagen in Informatik, Band 14385. Springer, Cham. Nov. 2023.
  21. Syed Juned Ali, Jan Michael Laranjo, Dominik Bork. Ein generisches und anpassbares, auf genetischen Algorithmen basierendes konzeptionelles Modell-Modularisierungs-Framework. 27. Internationale EDOC-Konferenz (EDOC 2023) – Unternehmensdesign, Betrieb und Datenverarbeitung. Sept. 2023.
  22. A. Elyasaf, E. Farchi, O. Margalit, G. Weiss und Y. Weiss. Allgemeine Abdeckungskriterien für kombinatorische Sequenztests. IEEE Transactions on Software Engineering, vol. 49, nein. 08, S. 4023-4034. August 2023.
  23. Julien Amblard, Robert Filman, Gabriel Kopito. GPStar4: Ein flexibles Framework zum Experimentieren mit genetischer Programmierung. OGECCO '23 Companion: Tagungsband der Companion Conference on Genetic and Evolutionary Computation. Juli 2023.
  24. Garmendia, A., Bork, D., Eisenberg, M., Ferreira, T., Kessentini, M., Wimmer, M. Nutzung künstlicher Intelligenz für modellbasierte Softwareanalyse und -design. Optimierung des Softwareentwicklungsprozesses mit künstlicher Intelligenz. Natural Computing-Reihe. Springer, Singapur. Juli 2023.
  25. Sikora, M., Smołka, M. Eine Anwendung evolutionärer Algorithmen und maschinellen Lernens in der vierteiligen Harmonisierung. Computational Science – ICCS 2023. ICCS 2023. Lecture Notes in Computer Science, Band 14073. Springer Juni 2023.
  26. Dolly Sapra und Andy D. Pimentel. Erforschung von Multi-Core-Systemen mit Kompromissen hinsichtlich Lebensdauerzuverlässigkeit und Stromverbrauch. SAMOS '23. Mai 2023.
  27. Vipin Shukla, Mainak Bandyopadhyay. Optimierung der Eingabeparameter einer ANN-gesteuerten Plasmaquelle durch von der Natur inspirierte evolutionäre Algorithmen. Intelligente Systeme mit Anwendungen, Band 18, 2023, 200200, ISSN 2667-3053. Mai 2023.
  28. P. Feichtenschlager, K. Schütz, S. Jaburek, C. Schütz, E. Gringinger. Datenschutzwahrende Implementierung eines Auktionsmechanismus für den ATFM-Slot-Swapping. Tagungsband der 23. Integrated Communications, Navigation and Surveillance Conference (ICNS 2023), Washington DC, USA, 18.–20. April 2023, IEEE Press, 12 Seiten. April 2023.
  29. Christoph Laaber, Tao Yue, Shaukat Ali. Multiobjektive, suchbasierte Software-Mikrobenchmark-Priorisierung. ArXiv/Informatik/Softwaretechnik. Nov. 2022.
  30. Ricardo Ferreira Vilela, João Choma Neto, Victor Hugo Santiago Costa Pinto, Paulo Sérgio Lopes de Souza, Simone do Rocio Senger de Souza. Bioinspirierte Optimierung zur Unterstützung der Testdatengenerierung gleichzeitiger Software. Parallelität und Berechnung: Praxis und Erfahrung. Nov. 2022.
  31. G. Mateeva, D. Parvanov, I. Dimitrov, I. Iliev und T. Balabanov. Eine Effizienz von Softwarebibliotheken für genetische Algorithmen von Drittanbietern im mobilen verteilten Computing für die Vorhersage finanzieller Zeitreihen. 2022 Internationale Konferenz Automatik und Informatik (ICAI). Okt. 2022.
  32. Guilherme Espada, Leon Ingelse, Paulo Canelas, Pedro Barbosa, Alcides Fonseca. Datentypen als ergonomischeres Frontend für die grammatikgesteuerte genetische Programmierung. arXiv. Okt. 2022.
  33. Christoph G. Schütz, Thomas Lorünser, Samuel Jaburek, Kevin Schütz, Florian Wohner, Roman Karl & Eduard Gringinger. Eine verteilte Architektur zur datenschutzschonenden Optimierung mithilfe genetischer Algorithmen und Mehrparteienberechnungen. CoopIS 2022: Genossenschaftliche Informationssysteme S. 168–185. Sept. 2022.
  34. Christina Plump, Bernhard J. Berger, Rolf Drechsler. Nutzung der Dichte von Trainingsdaten zur Verbesserung evolutionärer Algorithmen mit approximativen Fitnessfunktionen. WCCI2022 IEEE WORLD CONGRESS ON COMPUTATIONAL INTELLIGENCE. Juli 2022.
  35. Christina Plump, Bernhard J. Berger, Rolf Drechsler. Anpassung von Mutations- und Rekombinationsoperatoren an bereichsbewusste Beziehungen in realen Anwendungsdaten. GECCO '22: Proceedings of the Genetic and Evolutionary Computation Conference Companion. Seiten 755–758. Juli 2022.
  36. Eric Medvet, Giorgia Nadizar, Luca Manzoni. JGEA: ein modulares Java-Framework zum Experimentieren mit evolutionärer Berechnung. GECCO '22: Proceedings of the Genetic and Evolutionary Computation Conference Companion. Seiten 2009–2018. Juli 2022.
  37. Moshe Sipper, Tomer Halperin, Itai Tzruia, Achiya Elyasaf. EC-KitY: Evolutionäres Berechnungs-Toolkit in Python mit nahtloser Integration des maschinellen Lernens. arXiv:2207.10367v1 [cs.NE]. Juli 2022.
  38. A. Billedeaux und B. DeVries. Verwendung metamorpher Beziehungen und genetischer Algorithmen zum Testen von Open-Source-Software. 2022 IEEE International Conference on Electro Information Technology (eIT), 2022, S. 342-345. Juli 2022.
  39. R. Koitz-Hristov, L. Stracke und F. Wotawa. Geprüfte Abdeckung für die Reduzierung der Testsuite – lohnt sich der Aufwand? 2022 IEEE/ACM International Conference on Automation of Software Test (AST), S. 6-16. Juni 2022.
  40. Abdessamed Ouessai, Mohammed Salem, Antonio M. Mora. Weiterentwicklung der Aktionsvorauswahlparameter für MCTS in Echtzeit-Strategiespielen. Entertainment Computing, Band 42. April 2022.
  41. Musatafa Abbas Abbood Albadr, Sabrina Tiun, Masri Ayob, Fahad Taha AL-Dhief, Khairuddin Omar und Mhd Khaled Maen. Erkennung von Sprachemotionen mithilfe einer optimierten genetischen Algorithmus-Maschine für extremes Lernen. Multimedia-Tools und -Anwendungen, März 2022.
  42. Christina Plump, Bernhard Berger, Rolf Drechsler. Die richtige Technik für die richtige Einschränkung auswählen – ein domänenspezifischer Ansatz zur Durchsetzung von Suchraumbeschränkungen in evolutionären Algorithmen. LDIC-2022, Internationale Konferenz über Dynamik in der Logistik, Februar 2022.
  43. Quoc Nhat Han Tran, Nhan Quy Nguyen, Hicham Chehade, Lionel Amodeo, Farouk Yalaoui. Optimierung der ambulanten Terminvereinbarung: Eine Fallstudie eines Chemotherapiedienstes. Angewandte Wissenschaften/Informatik und künstliche Intelligenz. Januar 2022.
  44. Achiya Elyasaf, Eitan Farchi, Oded Margalit, Gera Weiss, Yeshayahu Weiss. Kombinatorischer Sequenztest unter Verwendung von Verhaltensprogrammierung und verallgemeinerten Abdeckungskriterien. Zeitschrift für Systeme und Software. Januar 2022.
  45. Frequentis-Gruppe. D4.1 Bericht zum Stand relevanter Konzepte. SLOTMACHINE – ERGEBNISSE & ÖFFENTLICHE ERGEBNISSE, Frequentis Dez. 2021.
  46. Huang Wanjie, Wang Haotian, Xue Yibo. Forschung zur Optimierung des In-Lager-Kommissionierungsmodells basierend auf einem genetischen Algorithmus. 2021 Internationale Konferenz über Informationstechnologie, Bildung und Entwicklung (ICITED 2021). Dez. 2021.
  47. Aalam Z., Kaur S., Vats P., Kaur A., ​​Saxena R. Eine umfassende Analyse der Testbemühungen mit dem Avisar-Testtool für objektorientierte Software. Intelligente nachhaltige Systeme. Vorlesungsunterlagen in Networks and Systems, Band 334. Springer, Singapur. Dez. 2021.
  48. Anh Vu Vo, Debra F. Laefer, Jonathan Byrne. Optimierung der städtischen LiDAR-Flugwegplanung mithilfe eines genetischen Algorithmus und eines Dual-Parallel-Computing-Frameworks. Fernerkundung, Band 13, Ausgabe 21. Nov. 2021.
  49. Pozas N., Durán F. Zur Skalierbarkeit von Kompositionen serviceorientierter Anwendungen. ICSOC 2021: Service-Oriented Computing S. 449–463, November 2021.
  50. Küster, T., Rayling, P., Wiersig, R. et al. Multiobjektive Optimierung energieeffizienter Produktionspläne mithilfe genetischer Algorithmen. Optimierung und Engineering (2021). Okt. 2021.
  51. B. DeVries und C. Trefftz. Ein Ansatz zur Suche nach Neuheiten und metamorphem Testen zur automatischen Testgenerierung. 2021 IEEE/ACM 14. Internationaler Workshop zum suchbasierten Softwaretest (SBST), 2021, S. 8–11. Mai 2021.
  52. W. Geithner, Z. Andelkovic, O. Geithner, F. Herfurth, V. Rapp, A. Németh, F. Wilhelmstötter, AH Van Benschoten. IONENQUELLENOPTIMIERUNG MITTELS BI-OBJEKTIVER GENETIK UND MATRIXPROFIL-ALGORITHMUS. IPAC2021 – 12. Internationale Teilchenbeschleunigerkonferenz. Mai 2021.
  53. C. Plump, BJ Berger und R. Drechsler. Domänengesteuerte korrelationsbewusste Rekombinations- und Mutationsoperatoren für komplexe reale Anwendungen. 2021 IEEE Congress on Evolutionary Computation (CEC), S. 540-548. Juli 2021.
  54. Sapra, D., Pimentel, AD Entwerfen von Faltungs-Neuronalen Netzen mit eingeschränktem evolutionärem, stückweisem Training. Appl Intel (2021). Juli 2021.
  55. Michela Lorandi, Leonardo Lucio Custode, Giovanni Iacca. Genetische Verbesserung des Routings in verzögerungstoleranten Netzwerken. GECCO '21: Proceedings of the Genetic and Evolutionary Computation Conference Companion. Juli 2021, Seiten 35–36.
  56. Plump, Christina und Berger, Bernhard J. und Drechsler, Rolf. Verbesserung evolutionärer Algorithmen durch Verbesserung einer approximativen Fitnessfunktion durch Vorhersageintervalle. IEEE-Kongress für evolutionäre Berechnungen (IEEE CEC-2021). Juni 2021.
  57. Faltaous, Sarah, Abdulmaksoud, Aya, Kempe, Markus, Alt, Florian und Schneegass, Stefan. GeniePutt: Verbesserung der motorischen Fähigkeiten des Menschen durch elektrische Muskelstimulation. it – Informationstechnologie, Bd. , NEIN. , 2021. Mai 2021.
  58. Yiming Tang, Raffi Khatchadourian, Mehdi Bagherzadeh, Rhia Singh, Ajani Stewart und Anita Raja. Eine empirische Studie zu Refactorings und technischen Schulden in maschinellen Lernsystemen. Auf der International Conference on Software Engineering, ICSE '21. Mai 2021.
  59. Arifin HH, Robert Ong HK, Dai J., Daphne W., Chimplee N. Modellbasiertes Produktlinien-Engineering mit genetischen Algorithmen für die automatisierte Komponentenauswahl. In: Krob D., Li L., Yao J., Zhang H., Zhang X. (Hrsg.) Complex Systems Design & Management. Springer, Cham. April 2021.
  60. MICHELA LORANDI, LEONARDO LUCIO CUSTODE und GIOVANNI IACCA. Genetische Verbesserung von Routing-Protokollen für verzögerungstolerante Netzwerke. arXiv:2103.07428v1 März 2021.
  61. Amine Aziz-Alaoui, Carola Doerr, Johann Dreo. Auf dem Weg zum groß angelegten automatisierten Algorithmendesign durch die Integration modularer Benchmarking-Frameworks. E arXiv:2102.06435 Februar 2021.
  62. Dominik Bork und Antonio Garmendia und Manuel Wimmer. Auf dem Weg zu einem mehrobjektiven Modularisierungsansatz für Entity-Relationship-Modelle. ER 2020, 39. Internationale Konferenz zur konzeptionellen Modellierung. Nov. 2020.
  63. Sarfarazi, S.; Deissenroth-Uhrig, M.; Bertsch, V. Aggregation von Haushalten in gemeinschaftlichen Energiesystemen: Eine Analyse aus Akteurs- und Marktperspektive. Energien 2020, 13, 5154. Okt. 2020.
  64. M. Šipek, D. Muharemagić, B. Mihaljević und A. Radovan. Verbesserung der Leistung cloudbasierter Softwareanwendungen mit GraalVM und Quarkus. 2020 43. Internationale Konvention über Informations-, Kommunikations- und Elektroniktechnologie (MIPRO), Opatija, Kroatien, 2020, S. 1746-1751. Okt. 2020.
  65. Vats P., Mandot M. Eine umfassende Analyse zur Validierung des objektorientierten Testtools AVISAR. Joshi A., Khosravy M., Gupta N. (Hrsg.) Maschinelles Lernen für prädiktive Analysen. Vorlesungsunterlagen in Networks and Systems, Band 141. Springer, Singapur. Okt. 2020.
  66. Thakur, K., Kumar, G. Von der Natur inspirierte Techniken und Anwendungen in Einbruchmeldesystemen: Jüngste Fortschritte und aktualisierte Perspektive. Archiv für Computermethoden im Ingenieurwesen (2020). August 2020.
  67. Nur Hidayah Mat Yasin, Abdul Sahli Fakhrudin, Abdul Wafie Afnan Abdul Hadi, Muhammad Harith Mohd Khairuddin, Noor Raihana Abu Sepian, Farhan Mohd Said, Norazwina Zainol. Vergleich der Response-Surface-Methodik und des künstlichen neuronalen Netzwerks für die Lösungsmittelextraktion von Fettsäuremethylester aus Fischabfällen. International Journal of Modern Agriculture, Band 9, Nr. 3, 2020, ISSN: 2305-7246. September 2020.
  68. Cicirello, VA Chips-n-Salsa: Eine Java-Bibliothek anpassbarer, hybridisierbarer, iterativer, paralleler, stochastischer und selbstadaptiver lokaler Suchalgorithmen. Journal of Open Source Software, 5(52), 2448. August 2020.
  69. Li, Yuanyuan; Carabelli, Stefano;Fadda, Edoardo; Manerba, Daniele; Tadei, Roberto; Terzo, Olivier. Maschinelles Lernen und Optimierung für die Produktionsumplanung in der Industrie 4.0. DAS INTERNATIONALE JOURNAL FÜR ADVANCED MANUFACTURING TECHNOLOGY. - ISSN 1433-3015. August 2020.
  70. Dolly Sapra und Andy D. Pimentel. Ein evolutionärer Optimierungsalgorithmus zur allmählichen Sättigung von Zielfunktionen. GECCO '20, Cancún, Mexiko. Juli. 2020.
  71. Dolly Sapra und Andy D. Pimentel. Eingeschränktes evolutionäres Stückwerkstraining zum Entwurf Faltungs-Neuronaler Netze. IEA/AIE 2020 – Kitakyushu, Japan. Juli. 2020.
  72. Femi Emmanuel Ayo, Sakinat Oluwabukonla Folorunso, Adebayo A. Abayomi-Alli, Adebola Olayinka Adekunle, Joseph Bamidele Awotunde. Erkennung von Netzwerkeinbrüchen basierend auf einem Deep-Learning-Modell, optimiert mit regelbasierter Auswahl hybrider Funktionen. Information Security Journal: Eine globale Perspektive. Mai 2020.
  73. Zainol N., Fakharudin AS, Zulaidi NIS-Modelloptimierung mithilfe von Algorithmen der künstlichen Intelligenz für den Abbau biologischer Lebensmittelabfälle. Yaser A. (Hrsg.) Fortschritte in der Abfallverarbeitungstechnologie. Springer, Singapur. Mai 2020.
  74. Sonya Voneva, Manar Mazkatli, Johannes Grohmann und Anne Koziolek. Optimierung parametrischer Abhängigkeiten für die inkrementelle Leistungsmodellextraktion. Karlsruher Institut für Technologie, Karlsruhe, Deutschland. April. 2020.
  75. Raúl Lara-Cabrera, Ángel González-Prieto, Fernando Ortega und Jesús Bobadilla. Weiterentwicklung der auf Matrixfaktorisierung basierenden kollaborativen Filterung mithilfe genetischer Programmierung. MDPI, Angewandte Wissenschaften. Februar 2020.
  76. Humm BG, Hutter M. Lernmuster für die Erkennung komplexer Ereignisse in Robotersensordaten. Optimierung und Lernen. OLA 2020. Communications in Computer and Information Science, Bd. 1173. Springer, Februar 2020.
  77. Erich C. Teppan, Giacomo Da Col. Genetische Algorithmen zur Erstellung großer Job-Shop-Dispatching-Regeln. Fortschritte bei der Integration intelligenter Methoden. Smart Innovation, Systems and Technologies, Band 170. Springer, Singapur. Januar 2020.
  78. Ricardo Pérez-Castillo, Francisco Ruiz, Mario Piattini. Ein Entscheidungsunterstützungssystem für Enterprise Architecture Modelling. Entscheidungsunterstützungssysteme. Januar 2020.
  79. Sabrina Appel, Wolfgang Geithner, Stephan Reimann, Mariusz Sapinski, Rahul Singh und Dominik Vilsmeier. Anwendung von naturinspirierten Optimierungsalgorithmen und maschinellem Lernen für Schwerionen-Synchrotrons. International Journal of Modern Physics A. Dez. 2019.
  80. OM Elzeki, MF Alrahmawy, Samir Elmougy. Ein neuer hybrider Genetik- und Informationsgewinnalgorithmus zur Imputation fehlender Werte in Krebsgen-Datensätzen. PInternational Journal of Intelligent Systems and Applications (IJISA), Bd. 11, Nr. 12, S. 20–33, DOI: 10.5815/ijisa.2019.12.03. Dez. 2019.
  81. Oliver Strauß, Ahmad Almheidat und Holger Kett. Anwendung heuristischer und maschineller Lernstrategien auf ProductResolution. Tagungsband der 15. Internationalen Konferenz zu Webinformationssystemen und -technologien (WEBIST 2019), Seiten 242–249. Nov. 2019.
  82. Yuanyuan Li, Stefano Carabelli, Edoardo Fadda, Daniele Manerba, Roberto Tadei1 und Olivier Terzo. Integration maschineller Lern- und Optimierungstechniken für eine flexible Werkstattumplanung in der Industrie 4.0. Politecnico di Torino, Operations Research and Optimization Group. Okt. 2019.
  83. Höttger R., Igel B., Spinczyk O. Eingeschränkte Softwareverteilung für Automobilsysteme. Communications in Computer and Information Science, Bd. 1078. Okt. 2019.
  84. Jin-wooLee, Gwangseon Jang, Hohyun Jung, Jae-Gil Lee, Uichin Lee. Maximierung der Geschwindigkeit und Zuverlässigkeit von MapReduce-Aufträgen in der mobilen Cloud durch Optimierung der Aufgabenzuteilung. Pervasive und Mobile Computing. Okt. 2019.
  85. Krawczyk, Lukas, Mahmoud Bazzal, Ram Prasath Govindarajan und Carsten Wolff. Modellbasierte Timing-Analyse und Bereitstellungsoptimierung für heterogene Multi-Core-Systeme mit Eclipse APP4MC. 2019 ACM/IEEE 22. Internationale Konferenz über modellgesteuerte technische Sprachen und Systeme, Begleiter: 44-53. September 2019.
  86. Junio ​​Cezar Ribeiro da Silva, Lorena Leão, Vinicius Petrucci, Abdoulaye Gamatié, Fernando MagnoQuintao Pereira. Planung in heterogenen Architekturen mittels multivariater linearer Regression auf Funktionseingaben. lirmm-02281112. September 2019.
  87. Eric O. Scott, Sean Luke. EuGH bei 20: Auf dem Weg zu einem allgemeinen Metaheuristik-Toolkit. GECCO '19: Proceedings of the Genetic and Evolutionary Computation Conference Companion, Seiten 1391–1398. Juli 2019.
  88. Francisco G. Montoya und Raúl Baños Navarro (Hrsg.). Optimierungsmethoden für Energiesysteme, Band 2. MDPI Books, ISBN 978-3-03921-156-2. Juli 2019.
  89. Höttger, Robert & Ki, Junhyung & Bui, Bao & Igel, Burkhard & Spinczyk, Olaf. CPU-GPU-Reaktionszeit- und Mapping-Analyse für Hochleistungs-Automobilsysteme. 10. Internationaler Workshop zu Analysetools und -methoden für eingebettete und Echtzeitsysteme (WATERS), der gleichzeitig mit der 31. Euromicro-Konferenz zu Echtzeitsystemen (ECRTS'19) stattfand. Juli 2019.
  90. Maxime Cordy, Steve Muller, Mike Papadakis und Yves Le Traon. Suchbasierter Test und Verbesserung von auf maschinellem Lernen basierenden Anomalieerkennungssystemen. Vorträge des 28. ACM SIGSOFT International Symposium on Software Testing and Analysis (ISSTA 2019). ACM, New York, NY, USA, 158-168. Juli 2019.
  91. Michael Vistein, Jan Faber, Clemens Schmidt-Eisenlohr, Daniel Reiter. Automatisiertes Handling von Hilfsmaterialien mithilfe eines multikinematischen Greifsystems. Procedia Manufacturing Band 38, 2019, Seiten 1276–1283. Juni 2019.
  92. Nikolaos Nikolakis, Ioannis Stathakis, Sotirios Makris. Auf einem evolutionären Informationssystem zur individuellen Unterstützung von Anlagenbetreibern. 52. CIRP-Konferenz zu Fertigungssystemen (CMS), Ljubljana, Slowenien. Juni 2019.
  93. Michael Trotter, Timothy Wood und Jinho Hwang. Vorhersage eines Sturms: Ermittlung optimaler Konfigurationen mithilfe genetischer Algorithmen und überwachtem Lernen. 13. Internationale IEEE-Konferenz über selbstadaptive und selbstorganisierende Systeme (SASO 2019). Juni 2019.
  94. Krawczyk, Lukas & Bazzal, Mahmoud & Prasath Govindarajan, Ram & Wolff, Carsten. Ein analytischer Ansatz zur Berechnung von End-to-End-Reaktionszeiten in autonomen Fahranwendungen. 10. Internationaler Workshop zu Analysetools und -methoden für eingebettete und Echtzeitsysteme (WATERS 2019). Juni 2019.
  95. Rodolfo Ayala Lopes, Thiago Macedo Gomes und Alan Robert Resende de Freitas. Eine symbolische Softwareplattform für evolutionäre Algorithmen. Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO '19). Juli 2019.
  96. Aleksandar Prokopec, Andrea Rosà, David Leopoldseder, Gilles Duboscq, Petr Tůma, Martin Studener, Lubomír Bulej, Yudi Zheng, Alex Villazón, Doug Simon, Thomas Würthinger, Walter Binder. Renaissance: Benchmarking Suite für parallele Anwendungen auf der JVM. PLDI '19, Phoenix, AZ, USA. Juni 2019.
  97. Robert Höttger, Lukas Krawczyk, Burkhard Igel, Olaf Spinczyk. Speicherzuordnungsanalyse für Automobilsysteme. Kurzpräsentationsproceedings (RTAS 2019). April 2019.
  98. Al Akkad, MA, & Gazimzyanov, FF AUTOMATISIERTES SYSTEM ZUR BEWERTUNG DER ZUSAMMENSETZUNGSMERKMALE VON 2D-BILDERN: KONFIGURATION DES MATHEMATISCHEN MODELLS. Intellekt. Schwester. Proizv., 17(1), 26-33. doi: 10.22213/2410-9304-2019-1-26-33. April 2019.
  99. Alcayde, a.; Baños, R.; Arrabal-Campos, FM; Montoya, FG -Optimierung der kontrahierten elektrischen Leistung mittels genetischer Algorithmen. Energies, Band 12, Ausgabe 7, April 2019.
  100. Abdul Sahli Fakharudin, Norazwina Zainol, Zulsyazwan Ahmad Khushairi. Modellierung und Optimierung des Ölpalmstamm -KernbiodElignifizierung unter Verwendung eines neuronalen Netzwerks und des genetischen Algorithmus. IEEA '19: Verfahren der 8. Internationalen Konferenz über Informatik, Umwelt, Energie und Anwendungen; Seiten 155–158, März 2019.
  101. Aleksandar Prokopec, Andrea Rosà, David Leopoldseder, Gilles Duboscq, Petr Tůma, Martin Studener, Lubomír Bulej, Yudi Zheng, Alex Villazón, Doug Simon, Thomas Wueringer, Walter Binder. Bei der Bewertung der Renaissance -Benchmarking -Suite: Abwechslung, Leistung und Komplexität. Cornell University: Programmiersprachen, März 2019.
  102. S. Appel, W. Geithner, S. Reimann, M Sapinski, R. Singh, DM Vilsmeier-Optimierung von schweren Ionen-Synchrotronen mithilfe von Nature inspirierten Algorithmen und maschinellem Lernen. 13. int. Computational Accelerator Physics Conf., Februar 2019.
  103. Saad, Christian, Bernhard Bauer, Ulrich R Mansmann und Jian Li. Autoanalyse in der Systembiologie. Bioinformatik und Biologie Insights, Jan. 2019.
  104. Gandeva Bayu Satrya, Soo Young Shin. Evolutionärer Computeransatz zur Optimierung der Superframeplanung in industriellen drahtlosen Sensornetzwerken. Cornell University, Dezember 2018.
  105. HR Maier, S. Razavi, Z. Kapelan, LS Matott, J. Kasprzyk, Ba Tolson. Einführungsübersicht: Optimierung mit evolutionären Algorithmen und anderen Metaheuristiken. Umweltmodellierung & Software, Dezember 2018.
  106. Erich C. Teppan und Giacomo da Col. Automatische Erzeugung von Versandregeln für große Arbeitsgeschäfte mittels genetischer Algorithmen. CIMA 2018, Internationaler Workshop zu Kombinationen von intelligenten Methoden und Anwendungen, Nov. 2018.
  107. Pasquale Salzaa, Filomena ferrucci. Beschleunigen Sie genetische Algorithmen in der Cloud mithilfe von Softwarebehälter. Computersysteme zukünftige Generation, Oktober 2018.
  108. Ghulam Mubashar Hassan und Mark Reynolds. Genetische Algorithmen zur Planung und Optimierung von Erz -Zugnetzwerken. GCAI-2018. 4. Globale Konferenz über künstliche Intelligenz, September 2018.
  109. Drezewski, Rafal & Kruk, Sylwia & Makowka, Maciej. Die evolutionäre Optimierung der Rendite eines Unternehmens für den Aktienfaktor: Auf dem biologisch inspirierten System zur Unterstützung von Unternehmensfinanzierungsentscheidungen. IEEE -Zugang. 6. 10.1109/access.2018.2870201, September 2018.
  110. Arifin, HH, Chimplee, N., Kit Robert Ong, H., Daengdej, J. und Sortrakul, T. Automatisierte Komponentenauswahl der Designsynthese für physikalische Architektur mit modellbasiertem Systemtechnik unter Verwendung des Evolutions -Kompromisses. Incose International Symposium, 28: 1296-1310, August 2018.
  111. Ong, Robert & Sortrakul, Thotsapon. Vergleich der Selektionsmethoden genetischer Algorithmen zur automatisierten Komponentenauswahl der Designsynthese mit modellbasiertem Systemtechnik. Konferenz: I-SEEC 2018, Mai 2018.
  112. Stephan Pirnbaum. Die Evolution im Algorithmus - Teil 2: Multikriterielle Optimierung und ArchitekturerKennung. Javaspektrum 03/2018, S. 66–69, Mai 2018.
  113. W. Geithner, Z. Andelkovic, S. Appel, O. Geithner, F. Herfurth, S. Reimann, G. Vorobjev, F. Wilhelmstötter. Genetische Algorithmen für die Maschinenoptimierung in der Umgebung für Fair Control System. Die 9. Internationale Partikelbeschleunigerkonferenz (IPAC'18), Mai 2018.
  114. Stephan Pirnbaum. Die Evolution im Algorithmus - Teil 1: Grundlagen. Javaspektrum 01/2018, S. 64–68, Jan. 2018.
  115. Alexander Felferig, Rouven Walter, José A. Galindo, David Benavides, Seda Polat Erdeniz, Müslüm Atas, Stefan Reiter. Jederzeit Diagnose für die Neukonfiguration. Journal of Intelligent Information Systems, S. 1–22, Januar 2018.
  116. Bruce A. Johnson. Von Rohdaten zu Protein -Rückgrat -Chemikalieverschiebungen unter Verwendung der NMRFX -Verarbeitung und der NMRViewJ -Analyse. Protein NMR: Methoden und Protokolle, S. 257--310, Springer New York, November 2017.
  117. Cuadra P., Krawczyk L., Höttger R., Heisig P., Wolff C. Automatische Planung für eng gekoppelte eingebettete Multi-Kern-Systeme unter Verwendung hybrider genetischer Algorithmen. Informations- und Softwaretechnologien: 23. Internationale Konferenz, ICIST 2017, Drukininkai, Litauen. Kommunikation in Computer and Information Science, Vol 756. Springer, Cham, September 2017.
  118. Michael Trotter, Guyue Liu, Timothy Wood. In den Sturm: Entschlossene optimale Konfigurationen mit genetischen Algorithmen und Bayesian -Optimierung. Fundamente und Anwendungen von Self* Systems (Fas* W), 2017 IEEE 2. International Workshops Sep. 2017.
  119. Emna Hachicha, Karn Yongsiriwit, Mohamed Sellami. Genetische konfigurierbare Cloud-Ressourcenzuweisung in der Entwicklung von QoS-bewussten Geschäftsprozessen. Informations- und Softwaretechnologien: 23. Internationale Konferenz, ICIST 2017, Drukininkai, Litauen. Web Services (ICWS), 2017 IEEE International Conference, Jun. 2017.
  120. Abraão G. Nazário, Fábio Ra Silva, Raimundo Teive, Leonardo Villa, Antônio Flávio, João Zico, Eire Fragoso, Ederson F. Souza. Automação Domótica Simulada Utilizando Algoritmo Genético Especializado na Redução do Consumo de Energia. Computer am Strand 2017 S. 180-189, März 2017.
  121. Bandaru, S. und Deb, K. Metaheuristische Techniken. Entscheidungswissenschaften. CRC Press, S. 693-750, November 2016.
  122. Lyazid Toumi, Abdelouahab Moussaoui und Ahmet Ugur. EMED-Teil: Eine effiziente Methodik zur horizontalen Partitionierung in Data Warehouses. Proceedings der Internationalen Konferenz über intelligente Informationsverarbeitung, Sicherheit und fortgeschrittene Kommunikation. Djallel Eddine Boubiche, Faouzi Hidoussi und Homero Toral Cruz (Hrsg.). ACM, New York, NY, USA, Artikel 43, 7 Seiten, 2015.
  123. Andreas Holzinger (Herausgeber), IGO Jurisica (Herausgeber). Interaktive Erkennung von Wissen und Data Mining in biomedizinischen Informatik. Vorlesungen in Informatik, Vol. 8401. Springer, 2014.
  124. Lyazid Toumi, Abdelouahab Moussaoui, Ahmet Ugur. Partikelschwarmoptimierung für Bitmap Join -Indizesauswahlproblem in Data Warehouses. Das Journal of Supercomputing, Band 68, Ausgabe 2, S. 672-708, Mai 2014.
  125. Tang Yi (Guangzhou Power Supply Bureau Limited, Guangzhou 511400, China) Untersuchung des optimierten optimierten Optimierungsallokationsallokationsallokationsalgorithmus für reaktive reaktive Reaktionen für Verteilungsnetze , Oktober 2012.
  126. John M. Linebarger, Richard J. Detry, Robert J. Glass, Walter E. Beyeler, Arlo L. Ames, Patrick D. Finley, S. Louise Maffitt. Komplexe adaptive Systeme der Systeme Engineering Environment Version 1.0. Sandbericht, Februar 2012.

Versionshinweise

8.1.0

Verbesserungen

  • #822: Verbesserung des Build -Skripts zur Generierung kombinierter Javadoc.
  • #898: Fügen Sie Unterstützung für das Lesen von Daten aus CSV -Dateien oder -ketten hinzu. Dies vereinfacht den Code für Regressionsprobleme. 
 static List < Sample < Double >> parseDoubles ( final CharSequence csv ) {
	return CsvSupport . parseDoubles ( csv ). stream ()
		. map ( Sample :: ofDouble )
		. toList ();
}
  • #904: Upgrade auf Gradle 8.10 und Reinigung von Build -Skripten.
  • #907: Fügen Sie ein Kapitel im Benutzerhandbuch für Optimierungsstrategien hinzu: Praktische Jenetik .
  • #909: Helfermethoden zur Konvertierung primitiver Arrays. 
 final Codec < int [], DoubleGene > codec = Codecs
    . ofVector ( DoubleRange . of ( 0 , 100 ), 100 )
    . map ( Conversions :: doubleToIntArray );

Käfer

  • #419: Fix Fely statistische Tests.

8.0.0

Verbesserungen

  • Java 21 wird zum Aufbau und zur Verwendung der Bibliothek verwendet.
  • #878: Ermöglichen Sie virtuelle Threads, die Fitnessfunktion zu bewerten. Muss beim Erstellen einer Engine aktiviert werden (siehe Code -Snippet unten), das vorherige Verhalten wurde erhalten. 
 final Engine < DoubleGene , Double > engine = Engine . builder ( ff )
	. fitnessExecutor ( BatchExecutor . ofVirtualThreads ())
	. build ();
  • #880: Ersetzen Sie Codebeispiele in Javadoc durch JEP 413.
  • #886: CharStore -Sortierung verbessern.
  • #894: Neue genetische Operatoren: ShiftMutator , ShuffleMutator und UniformOrderBasedCrossover .
  • #895: Verbesserung der Auswahl der Standard RandomGenerator . Der verwendete RandomGenerator wird in der folgenden Reihenfolge ausgewählt:
    1. Überprüfen Sie, ob der Parameter io.jenetics.util.defaultRandomGenerator Start -Start -Parameter festgelegt ist. Wenn ja, nehmen Sie diesen Generator.
    2. Überprüfen Sie, ob der L64X256MixRandom -Generator verfügbar ist. Wenn ja, nehmen Sie diesen Generator.
    3. Finden Sie den besten verfügbaren Zufallsgenerator gemäß dem RandomGeneratorFactory.stateBits() -Wert.
    4. Verwenden Sie den Random , wenn kein bester Generator gefunden werden kann. Dieser Generator ist garantiert auf jeder Plattform verfügbar.

Alle Versionshinweise

Lizenz

Die Bibliothek ist unter der Apache -Lizenz, Version 2.0, lizenziert. 

 Copyright 2007-2024 Franz Wilhelmstötter

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at

http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.

Gebrauchte Software

Expandieren
Zusätzliche Informationen
Ähnliche Anwendungen
Empfohlen für Sie
Ähnliche Nachrichten Alle