홈페이지>프로그래밍 관련>AI 소스 코드
다운로드

제네틱스

Jenetics는 현대 Java로 작성된 유전 알고리즘 , 진화 알고리즘 , 문법적 진화 , 유전 프로그래밍 및 다중 목표 최적화 라이브러리입니다. 이는 알고리즘의 여러 개념(예: Gene , Chromosome , Genotype , Phenotype , Population 및 Fitness Function 을 명확하게 분리하여 설계되었습니다. Jenetics를 사용하면 주어진 피트니스 기능을 조정하지 않고도 최소화하고 최대화할 수 있습니다. 다른 GA 구현과 달리 라이브러리는 진화 단계를 실행하기 위해 진화 스트림( EvolutionStream ) 개념을 사용합니다. EvolutionStream Java Stream 인터페이스를 구현하므로 나머지 Java Stream API와 원활하게 작동합니다.

다른 언어

  • Jenetics.Net : 기본 라이브러리의 C#에서 실험적인 .NET Core 포트입니다.
  • Helisa : Jenetics 라이브러리 주변의 Scala 래퍼입니다.

선적 서류 비치

라이브러리는 완전히 문서화되어 있으며(javadoc) 사용자 설명서(pdf)와 함께 제공됩니다.

제네틱스 구축

Jenetics를 컴파일하고 실행하려면 최소한 Java 21이 필요합니다.

GitHub에서 마스터 브랜치를 확인하세요. 

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

Jenetics는 Gradle을 빌드 시스템으로 사용하고 소스를 하위 프로젝트(모듈)로 구성합니다. 각 하위 프로젝트는 자체 하위 디렉터리에 있습니다.

게시된 프로젝트

다음 프로젝트/모듈도 Maven에 게시됩니다.

  • jenetics : 이 프로젝트에는 Jenetics 코어 모듈에 대한 소스 코드와 테스트가 포함되어 있습니다.
  • jenetics.ext : 이 모듈에는 추가 비표준 GA 작업 및 데이터 유형이 포함되어 있습니다. 또한 다목적 문제(MOEA)를 해결하고 문법 발전(GE)을 수행하기 위한 수업도 포함되어 있습니다.
  • jenetics.prog : 모듈에는 GP(유전 프로그래밍)를 수행할 수 있는 클래스가 포함되어 있습니다. 기존 EvolutionStream 및 진화 Engine 과 원활하게 작동합니다.
  • jenetics.xml : Jenetics 기본 데이터 구조를 위한 XML 마샬링 모듈입니다.

게시되지 않은 프로젝트

  • jenetics.example : 이 프로젝트에는 핵심 모듈에 대한 예제 코드가 포함되어 있습니다.
  • jenetics.doc : 웹사이트 코드와 매뉴얼이 포함되어 있습니다.
  • jenetics.tool : 이 모듈에는 통합 테스트 및 알고리즘 성능 테스트에 사용되는 클래스가 포함되어 있습니다. 또한 GA 성능 측정을 생성하고 성능 측정에서 다이어그램을 생성하는 데에도 사용됩니다.

<builddir> 디렉터리(또는 모듈 디렉터리 중 하나)에 라이브러리 변경 사항을 빌드하고 사용 가능한 작업 중 하나를 호출합니다.

  • compileJava : Jenetics 소스를 컴파일하고 클래스 파일을 <builddir>/<module-dir>/build/classes/main 디렉터리에 복사합니다.
  • jar : 소스를 컴파일하고 JAR 파일을 생성합니다. 아티팩트는 <builddir>/<module-dir>/build/libs 디렉터리에 복사됩니다.
  • javadoc : API 문서를 생성합니다. Javadoc은 <builddir>/<module-dir>/build/docs 디렉토리에 저장됩니다.
  • test : 단위 테스트를 컴파일하고 실행합니다. 테스트 결과는 콘솔에 인쇄되고 TestNG에서 생성된 테스트 보고서는 <builddir>/<module-dir> 디렉터리에 기록됩니다.
  • clean : <builddir>/build/* 디렉터리를 삭제하고 생성된 모든 아티팩트를 제거합니다.

소스 호출에서 라이브러리 jar을 빌드하는 경우 

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

예

Hello World(하나씩 세기)

최소 진화 엔진 설정에는 유전자형 팩토리, Factory<Genotype<?>> 및 피트니스 Function ​​필요합니다. Genotype Factory 인터페이스를 구현하므로 초기 Population 생성 및 새로운 무작위 Genotypes 생성을 위한 프로토타입으로 사용할 수 있습니다. 

 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 );
    }
}

다른 GA 구현과 달리 라이브러리는 진화 단계를 실행하기 위해 진화 스트림( EvolutionStream ) 개념을 사용합니다. EvolutionStream Java Stream 인터페이스를 구현하므로 나머지 Java 스트리밍 API와 원활하게 작동합니다. 이제 위 목록을 자세히 살펴보고 이 간단한 프로그램을 단계별로 논의해 보겠습니다.

  1. 새로운 진화 Engine 설정할 때 아마도 가장 어려운 부분은 문제 영역을 적절한 Genotype (공장) 표현으로 변환하는 것입니다. 우리의 예에서는 BitChromosome 의 개수를 세고 싶습니다. 우리는 하나의 염색체 중 하나만 계산하기 때문에 Genotype 에 BitChromosome 하나만 추가합니다. 일반적으로 Genotype 1~n개의 염색체로 생성될 수 있습니다.

  2. 이 작업이 완료되면 최대화되어야 하는 적합도 함수를 정의할 수 있습니다. Java 8에 도입된 새로운 언어 기능을 활용하여 우리가 정의한 유전자형을 가져와 적합도 값을 계산하는 전용 정적 메서드를 작성하기만 하면 됩니다. 최적화된 비트 계산 방법인 bitCount() 를 사용하려면 Chromosome<BitGene> 클래스를 실제 사용되는 BitChromosome 클래스로 캐스팅해야 합니다. 우리는 BitChromosome 사용하여 Genotype을 생성했음을 확실히 알고 있으므로 이 작업을 안전하게 수행할 수 있습니다. 그런 다음 eval 메서드에 대한 참조가 피트니스 함수로 사용되고 Engine.build 메서드에 전달됩니다.

  3. 세 번째 단계에서는 주어진 인구의 변화와 각각의 진화를 담당하는 진화 Engine 만들고 있습니다. Engine 고도로 구성 가능하며 진화 및 계산 환경을 제어하기 위한 매개변수를 사용합니다. 진화적 행동을 변경하기 위해 다양한 변경자와 선택자를 설정할 수 있습니다. 사용된 Executor 서비스를 변경하여 스레드 수를 제어합니다. 엔진을 사용할 수 있습니다. 새 Engine 인스턴스는 Engine.builder 메서드를 호출하여 생성되는 빌더를 통해서만 생성할 수 있습니다.

  4. 마지막 단계에서는 Engine 에서 새로운 EvolutionStream 생성할 수 있습니다. EvolutionStream 은 진화 과정의 모델 또는 관점입니다. 이는 "프로세스 핸들" 역할을 하며 무엇보다도 진화 종료를 제어할 수 있게 해줍니다. 이 예에서는 100세대 후에 스트림을 자릅니다. 스트림을 제한하지 않으면 EvolutionStream 종료되지 않고 영원히 실행됩니다. EvolutionStream java.util.stream.Stream 인터페이스를 확장하므로 나머지 Java Stream API와 원활하게 통합됩니다. 우리 예에서 가장 좋은 Genotype 최종 결과는 EvolutionResult 클래스의 사전 정의된 수집기 중 하나를 사용하여 수집됩니다.

진화하는 이미지

이 예에서는 반투명 다각형으로 주어진 이미지를 근사화하려고 시도합니다. Swing UI가 함께 제공되어 즉시 실험을 시작할 수 있습니다. 소스를 컴파일한 후 

 $ ./gradlew compileTestJava

다음을 호출하여 예제를 시작할 수 있습니다. 

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

이전 이미지는 약 4,000세대에 걸쳐 기본 이미지를 진화시킨 후의 GUI를 보여줍니다. »열기« 버튼을 사용하면 다각형화를 위한 다른 이미지를 로드할 수 있습니다. »저장« 버튼을 사용하면 다각형 이미지를 PNG 형식으로 디스크에 저장할 수 있습니다. UI의 버튼에서 예제의 일부 GA 매개변수를 변경할 수 있습니다.

Jenetics를 사용한 프로젝트

  • SPEAR : SPEAR(자원 할당을 통한 에너지 예측)은 생산 시스템의 에너지 및 효율성 최적화를 위한 확장 가능한 플랫폼을 만들었습니다.
  • Renaissance Suite : Renaissance는 JIT 컴파일러, 가비지 수집기, 프로파일러, 분석기 및 기타 도구를 테스트하는 것을 목표로 하는 현대적이고 개방적이며 다양한 JVM용 벤치마크 제품군입니다.
  • APP4MC : Eclipse APP4MC는 임베디드 멀티 코어 및 다중 코어 소프트웨어 시스템 엔지니어링을 위한 플랫폼입니다.

블로그와 기사

  • Schachprobleme komponieren mit revolutionären Algorithmen, 작성자: Jakob Leck , 2023년 12월, Die Schwalbe 324-2, pp. 373-380. 평소보다 더 많은 수의 피스로 체스 문제를 구성하고 해결합니다. 무차별 접근 방식 대신 GA를 사용하여 문제를 해결합니다(독일어).
  • Jenetics 라이브러리의 배낭 문제 해결, 작성자: Craftcode Crew , 2021년 5월 13일
  • 一种基于Jenetics의 遗传算法程序设计,电脑知识与技术 2018年22期 작성자: 王康, 2018년 11월 26일
  • Jenetics Library 소개, by baeldung , 2017년 4월 11일
  • 유전 알고리즘을 사용하여 어려운 문제를 해결하는 방법, 작성자: Tzofia Shiftan , 2017년 4월 6일
  • Java를 사용한 유전 알고리즘, 작성자: William Antônio , 2017년 1월 10일
  • Jenetics 설치 및 예제, by JDM , 2015년 5월 8일
  • 연금술사(Genetic Algorithms), 작성자: JDM , 2015년 4월 2일

인용

빈센트 A. 시시렐로. Chips-n-Salsa를 사용한 오픈 소스 진화 컴퓨팅. 스톡턴 대학교 경영대학원 컴퓨터공학과. 2024년 12월.

...

  1. 빈센트 A. 시시렐로. Chips-n-Salsa를 사용한 오픈 소스 진화 컴퓨팅. 스톡턴 대학교 경영대학원 컴퓨터공학과. 2024년 12월.
  2. S. Gruber, P. Feichtenschlager, C. Fabianek, E. Gringinger 및 CG Schuetz. 항공 교통 흐름 관리의 목표 시간 관리 시스템을 위한 경험적 최적화 프로그램을 향하여. 2024 AIAA DATC/IEEE 43차 디지털 항공전자 시스템 컨퍼런스(DASC), 미국 캘리포니아주 샌디에고, 2024, pp. 1-10. 2024년 11월.
  3. Šimić, G., Jevremović, A., Strugarević, D. 유전 알고리즘을 사용한 교육 과정 개선. In: Perakovic, D., Knapcikova, L. (eds) 유비쿼터스 및 지능형 인프라를 위한 미래 액세스 가능 요소. FABULOUS 2024. 컴퓨터 과학, 사회 정보학 및 통신 공학 연구소 강의 노트, vol 596, 2024년 10월.
  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: Enalos DIAGONAL Cloud Platform을 통해 토양 및 수생 무척추 동물의 나노물질 흡수 및 생물 축적을 모델링합니다. 전산 및 구조 생명공학 저널. 엘스비어, 2001-0370. 2024년 10월.
  5. R. Jordão, F. Bahrami, Y. Yang, M. Becker, I. Sander 및 K. Rosvall. 멀티코어 플랫폼에서 정적 DSP의 다중 목표 우선순위가 없는 정확한 설계 공간 탐색. 2024년 사양 및 설계 언어(FDL) 포럼, 스웨덴 스톡홀름, 2024년, 1-9페이지. 2024년 9월.
  6. 자레드 머피와 트래비스 데셀. 해석 가능한 시계열 예측을 위한 EXA-GP 그래프 기반 유전자 프로그래밍 알고리즘 최소화. 유전 및 진화 계산 컨퍼런스 동반자(GECCO '24 동반자)의 진행. 컴퓨팅 기계 협회, 뉴욕, 뉴욕, 미국, 1686-1690. 2024년 8월.
  7. Jared Murphy, Devroop Kar, Joshua Karns 및 Travis Desell. EXA-GP: 설명 가능한 시계열 예측을 위해 그래프 기반 유전자 프로그래밍과 신경진화를 통합합니다. 유전 및 진화 계산 컨퍼런스 동반자(GECCO '24 동반자)의 진행. 컴퓨팅 기계 협회, 뉴욕, 뉴욕, 미국, 523–526. 2024년 8월.
  8. 세바스티안 그루버, 폴 페이히텐슐라거, 크리스토프 G. 슈에츠. 시간이 중요한 설정에서 다중 목표 할당 문제의 개인정보 보호 최적화를 위한 유전 알고리즘 사용: 항공 교통 흐름 관리의 응용. 유전 및 진화 계산 회의(GECCO '24) 진행 중. 컴퓨팅 기계 협회, 뉴욕, 뉴욕, 미국, 1246-1254. 2024년 7월.
  9. 지앙하오 왕, 클레이 스티븐스, 브룩 키드모즈, 마이라 B. 코헨, 하미드 바게리. 적응 적합성 기능을 이용한 합금 사양의 진화 분석. 검색 기반 소프트웨어 엔지니어링. SSBSE 2024. 컴퓨터 과학 강의 노트, vol 14767. Springer. 2024년 7월.
  10. 베른하르트 J. 버거; 크리스티나 통통; 로렌 폴; 롤프 드레흐슬러. EvoAl — 코드 없는 도메인 최적화. 유전 및 진화 계산 컨퍼런스(GECCO-2024). 2024년 7월.
  11. 크리스티나 플럼프, 다니엘 C. 호인키스, 요른 후버, ​​베른하르트 J. 버거, 마티아스 귄터, 크리스토프 뤼트, 롤프 드레흐슬러. 환자에게 완벽한 MRI 시퀀스 찾기 --- MRI 시퀀스를 위한 최적화 워크플로우를 지향합니다. IEEE WCCI 2024. 2024년 6월.
  12. 밀란 추구로비치, 밀레나 부요세비치 야니치치, 보진 요바노비치, 토마스 뷔르딩거. GraalSP: 다중 언어, 효율적이고 강력한 기계 학습 기반 정적 프로파일러입니다. 시스템 및 소프트웨어 저널, 213권, 2024, 112058, ISSN 0164-1212. 칠월. 2024.
  13. Wenwen Feng, Xiaohui Lei, Yunzhong Jiang, Chao Wang, Weihong Liao, Hao Wang, Gong Xinghui, Yu Feng. 도시 하천 시스템의 실시간 제어를 위한 커플링 모델 예측 제어 및 규칙 기반 제어. 수문학 저널, 2024, 131228, ISSN 0022-1694. 2024년 4월.
  14. S. Sint, A. Mazak-Huemer, M. Eisenberg, D. Waghubinger 및 M. Wimmer. 모델 기반 런타임 상태 식별을 위한 공차 범위의 자동 최적화. 자동화 과학 및 엔지니어링에 관한 IEEE 거래. 4월. 2024.
  15. Cicirello, Vincent A. 진화 계산: 이론, 기술 및 응용. 응용과학 14, no. 6: 2542. 2024년 3월.
  16. Koitz-Hristov R, Sterner T, Stracke L, Wotawa F. 테스트 스위트 축소에서 확인된 적용 범위 및 유전 매개변수 조정의 적합성에 대해 설명합니다. J Softw Evol Proc. 2024;e2656. 2024년 2월.
  17. 조르당, 로돌포; 베커, 마티아스; 샌더, 잉고. IDeSyDe: 디자인 공간 식별을 통한 체계적인 디자인 공간 탐색. 전자 시스템 설계 자동화에 관한 ACM 거래. 2024년 2월.
  18. Squillero, G., Tonda, A. Veni, Vidi, Evolvi의 WB Langdon의 "Jaws 30" 해설. Genet 프로그램 진화 가능 마하 24, 24(2023) 2023년 11월.
  19. 에네코 오사바, 고르카 벤구리아, 헤수스 L. 로보, 조수 디아즈-데-아르카야, 준칼 알론소, 이냐키 에트사니즈. IaC 구성 최적화: 자연에서 영감을 받은 컴퓨팅을 사용한 사례 연구. CIIS 2023. 2023년 11월.
  20. Sapra, D., Pimentel, AD 평생 신뢰성과 전력 소비 균형을 갖춘 멀티 코어 시스템 탐색. 임베디드 컴퓨터 시스템: 아키텍처, 모델링 및 시뮬레이션. SAMOS 2023. 컴퓨터 과학 강의 노트, vol 14385. Springer, Cham. 2023년 11월.
  21. 시에드 준드 알리, 얀 마이클 라란조, 도미닉 보크. 일반적이고 사용자 정의 가능한 유전 알고리즘 기반 개념 모델 모듈화 프레임워크. 제27회 국제 EDOC 컨퍼런스(EDOC 2023) - 엔터프라이즈 설계, 운영 및 컴퓨팅. 2023년 9월.
  22. A. Elyasaf, E. Farchi, O. Margalit, G. Weiss 및 Y. Weiss. 조합 서열 테스트를 위한 일반화된 적용 범위 기준. 소프트웨어 엔지니어링에 관한 IEEE 거래, vol. 49, 아니. 08, pp.4023-4034. 2023년 8월.
  23. 줄리앙 앰블라드, 로버트 필먼, 가브리엘 코피토. GPStar4: 유전 프로그래밍 실험을 위한 유연한 프레임워크입니다. OGECCO '23 동반자: 유전 및 진화 계산에 관한 동반자 회의 진행. 2023년 7월.
  24. Garmendia, A., Bork, D., Eisenberg, M., Ferreira, T., Kessentini, M., Wimmer, M. 모델 기반 소프트웨어 분석 및 설계를 위한 인공 지능 활용. 인공 지능을 통한 소프트웨어 개발 프로세스 최적화. 자연 컴퓨팅 시리즈. 스프링거, 싱가포르. 2023년 7월.
  25. Sikora, M., Smołka, M. 네 부분으로 구성된 조화에 진화 알고리즘 및 기계 학습 적용. 계산 과학 – ICCS 2023. ICCS 2023. 컴퓨터 과학 강의 노트, vol 14073. Springer 2023년 6월.
  26. 돌리 사프라(Dolly Sapra)와 앤디 D. 피멘텔(Andy D. Pimentel). 평생 신뢰성과 전력 소비 균형을 갖춘 멀티 코어 시스템 탐색. 사모스 '23. 2023년 5월.
  27. Vipin Shukla, Mainak Bandyopadhyay. 자연에서 영감을 받은 진화 알고리즘을 통해 ANN 구동 플라즈마 소스의 입력 매개변수 최적화. 응용 프로그램을 갖춘 지능형 시스템, 18권, 2023, 200200, ISSN 2667-3053. 2023년 5월.
  28. P. Feichtenschlager, K. Schuetz, S. Jaburek, C. Schuetz, E. Gringinger. ATFM 슬롯 교환을 위한 경매 메커니즘의 개인정보 보호 구현. 제23차 통합 통신, 항법 및 감시 컨퍼런스(ICNS 2023) 간행물, 미국 워싱턴 DC, 2023년 4월 18~20일, IEEE Press, 12페이지. 2023년 4월.
  29. 크리스토프 라버, 타오 유에, 샤우카트 알리. 다중 목표 검색 기반 소프트웨어 Microbenchmark 우선 순위 지정. ArXiv/컴퓨터 과학/소프트웨어 엔지니어링. 2022년 11월.
  30. 리카르도 페레이라 빌렐라, 주앙 초마 네토, 빅토르 휴고 산티아고 코스타 핀투, 파울로 세르히오 로페스 데 수자, 시몬 두 로시오 셍게르 드 수자. 동시 소프트웨어의 테스트 데이터 생성을 지원하는 생체 영감 최적화. 동시성 및 계산: 실습 및 경험. 2022년 11월.
  31. G. Mateeva, D. Parvanov, I. Dimitrov, I. Iliev 및 T. Balabanov. 금융 시계열 예측을 위한 모바일 분산 컴퓨팅에서 타사 유전자 알고리즘 소프트웨어 라이브러리의 효율성. 2022 국제 컨퍼런스 자동 및 정보학(ICAI). 2022년 10월.
  32. 길레르메 에스파다, 레온 잉겔세, 파울로 카넬라스, 페드로 바르보사, 알시데스 폰세카. 문법 기반 유전자 프로그래밍을 위한 보다 인체공학적인 프런트엔드인 데이터 유형입니다. arXiv. 2022년 10월.
  33. Christoph G. Schuetz, Thomas Lorünser, Samuel Jaburek, Kevin Schuetz, Florian Wohner, Roman Karl 및 Eduard Gringinger. 유전 알고리즘과 다자간 계산을 사용한 개인정보 보호 최적화를 위한 분산 아키텍처. CoopIS 2022: 협력 정보 시스템 pp 168–185. 2022년 9월.
  34. 크리스티나 플럼프, 베른하르트 J. 버거, 롤프 드레흐슬러. 훈련 데이터의 밀도를 사용하여 근사 피트니스 함수로 진화 알고리즘을 개선합니다. 컴퓨팅 지능에 관한 WCCI2022 IEEE 세계 회의. 2022년 7월.
  35. 크리스티나 플럼프, 베른하르트 J. 버거, 롤프 드레흐슬러. 실제 애플리케이션 데이터의 범위 인식 관계에 돌연변이 및 재조합 연산자를 적용합니다. GECCO '22: 유전 및 진화 계산 컨퍼런스 동반자 간행물. 755~758페이지. 2022년 7월.
  36. 에릭 메드베트, 조르지아 나디자르, 루카 만조니. JGEA: 진화적 계산을 실험하기 위한 모듈식 Java 프레임워크입니다. GECCO '22: 유전 및 진화 계산 컨퍼런스 동반자 간행물. 2009~2018페이지. 2022년 7월.
  37. 모셰 시퍼, 토머 할페린, 이타이 츠루이아, 아치야 엘리사프. EC-KitY: 원활한 기계 학습 통합을 갖춘 Python의 진화 컴퓨팅 도구 키트입니다. arXiv:2207.10367v1 [cs.NE]. 2022년 7월.
  38. A. Billedeaux 및 B. DeVries. 변형 관계 및 유전 알고리즘을 사용하여 오픈 소스 소프트웨어 테스트. 2022 IEEE 전기 정보 기술(eIT) 국제 컨퍼런스, 2022, pp. 342-345. 2022년 7월.
  39. R. Koitz-Hristov, L. Stracke 및 F. Wotawa. 테스트 스위트 축소를 위한 확인된 적용 범위 - 노력할 가치가 있습니까? 2022 IEEE/ACM 소프트웨어 테스트 자동화(AST) 국제 컨퍼런스, 페이지 6-16. 2022년 6월.
  40. 압데삼드 우에사이, 모하메드 살렘, 안토니오 M. 모라. 실시간 전략 게임에서 MCTS를 위한 액션 사전 선택 매개변수가 진화하고 있습니다. 엔터테인먼트 컴퓨팅, 42권. 2022년 4월.
  41. 무사타파 압바스 아부드 알바드르, 사브리나 티운, 마스리 아욤, 파하드 타하 알-디프, 카이루딘 오마르, Mhd 칼레드 마엔. 최적화된 유전자 알고리즘-극한학습기를 이용한 음성감정인식. 멀티미디어 도구 및 애플리케이션, 2022년 3월.
  42. 크리스티나 플럼프, 베른하르트 버거, 롤프 드레흐슬러. 올바른 제한을 위한 올바른 기술 선택 - 진화 알고리즘에서 검색 공간 제한을 적용하기 위한 도메인별 접근 방식입니다. LDIC-2022, 물류 역학에 관한 국제 컨퍼런스, 2022년 2월.
  43. Quoc Nhat Han Tran, Nhan Quy Nguyen, Hicham Chehade, Lionel Amodeo, Farouk Yalaoui. 외래환자 예약 최적화: 화학요법 서비스에 대한 사례 연구. 응용 과학/컴퓨팅 및 인공 지능. 2022년 1월.
  44. Achiya Elyasaf, Eitan Farchi, Oded Margalit, Gera Weiss, Yeshayahu Weiss. 행동 프로그래밍 및 일반화된 적용 범위 기준을 사용한 조합 시퀀스 테스트. 시스템 및 소프트웨어 저널. 2022년 1월.
  45. 프리퀀티스 그룹. D4.1 관련 개념의 최신 보고서. SLOTMACHINE - 결과 및 공개 결과물, 2021년 12월 빈번한 자료 .
  46. 황완지에, 왕하오티안, 쉬에이보. 유전자 알고리즘 기반 창고 내 피킹 모델 최적화 연구 2021 정보 기술, 교육 및 개발에 관한 국제 회의(ICITED 2021). 2021년 12월.
  47. Aalam Z., Kaur S., Vats P., Kaur A., ​​Saxena R. 객체 지향 소프트웨어용 Avisar 테스트 도구를 사용한 테스트 노력에 대한 종합적인 분석. 지능형 지속 가능 시스템. 네트워크 및 시스템 강의 노트, vol 334. Springer, Singapore. 2021년 12월.
  48. 안 부 보(Anh Vu Vo), 데브라 F. 래퍼(Debra F. Laefer), 조나단 번(Jonathan Byrne). 유전 알고리즘과 이중 병렬 컴퓨팅 프레임워크를 사용하여 도시 LiDAR 비행 경로 계획 최적화. 원격 탐사, 13권, 21호 . 2021년 11월.
  49. Pozas N., Durán F. 서비스 지향 애플리케이션 구성의 확장성에 관한 내용입니다. ICSOC 2021: 서비스 지향 컴퓨팅 pp 449-463 2021년 11월.
  50. Küster, T., Rayling, P., Wiersig, R. 외. 유전자 알고리즘을 사용하여 에너지 효율적인 생산 일정을 다목적으로 최적화합니다. 최적화 및 엔지니어링(2021). 2021년 10월.
  51. B. DeVries 및 C. Trefftz. 자동 테스트 생성을 위한 참신한 검색 및 변형 테스트 접근 방식. 2021 IEEE/ACM 제14회 검색 기반 소프트웨어 테스팅(SBST)에 관한 국제 워크숍, 2021, 페이지 8-11. 2021년 5월.
  52. W. Geithner, Z. Andelkovic, O. Geithner, F. Herfurth, V. Rapp, A. Németh, F. Wilhelmstötter, AH Van Benschoten. BI-OBJECTIVE 유전적 및 매트릭스 프로파일 알고리즘을 이용한 이온 소스 최적화. IPAC2021 - 제12차 국제입자가속기 컨퍼런스. 2021년 5월.
  53. C. Plump, BJ Berger 및 R. Drechsler. 복잡한 실제 애플리케이션을 위한 도메인 기반 상관 인식 재조합 및 돌연변이 연산자. 2021 IEEE 진화 컴퓨팅 회의(CEC), 페이지 540-548. 2021년 7월.
  54. Sapra, D., Pimentel, AD 제한된 진화 단편 훈련을 사용하여 컨벌루션 신경망 설계. 애플 인텔(2021). 2021년 7월.
  55. 미켈라 로란디, 레오나르도 루시오 쿠스토데, 지오바니 이아카. 지연 허용 네트워크에서 라우팅의 유전적 개선. GECCO '21: 유전 및 진화 계산 컨퍼런스 동반자 간행물. 2021년 7월, 35~36페이지.
  56. Plump, Christina 및 Berger, Bernhard J. 및 Drechsler, Rolf. 예측 구간을 통해 근사 적합도 함수를 강화하여 진화 알고리즘을 개선합니다. 진화 컴퓨팅에 관한 IEEE 회의(IEEE CEC-2021). 2021년 6월.
  57. Faltaous, Sarah, Abdulmaksoud, Aya, Kempe, Markus, Alt, Florian 및 Schneegass, Stefan. GeniePutt: 전기 근육 자극을 통해 인간의 운동 능력을 강화합니다. 그것 - 정보 기술, vol. , 아니요. , 2021. 2021년 5월.
  58. Yiming Tang, Raffi Khachadourian, Mehdi Bagherzadeh, Rhia Singh, Ajani Stewart 및 Anita Raja. 기계 학습 시스템의 리팩토링 및 기술 부채에 대한 실증적 연구. ICSE '21 소프트웨어공학 국제학술대회에서. 2021년 5월.
  59. Arifin HH, Robert Ong HK, Dai J., Daphne W., Chiimplee N. 자동 구성 요소 선택을 위한 유전 알고리즘을 사용한 모델 기반 제품 라인 엔지니어링. In: Krob D., Li L., Yao J., Zhang H., Zhang X. (eds) 복합 시스템 설계 및 관리. 스프링거, 참. 2021년 4월.
  60. 미켈라 로란디, 레오나르도 루시오 쿠스토데, 지오바니 IACCA. DelayTolerant 네트워크를 위한 라우팅 프로토콜의 유전적 개선. arXiv:2103.07428v1 2021년 3월.
  61. 아민 아지즈-알라위, 카롤라 도어, 요한 드레오. 모듈식 벤치마킹 프레임워크를 통합하여 대규모 자동화 알고리즘 설계를 지향합니다. 전자 arXiv:2102.06435 2021년 2월.
  62. 도미니크 보크(Dominik Bork), 안토니오 가르멘디아(Antonio Garmendia), 마누엘 위머(Manuel Wimmer). 엔터티-관계 모델에 대한 다중 목표 모듈화 접근 방식을 향하여. ER 2020, 제39차 개념 모델링 국제 컨퍼런스. 2020년 11월.
  63. 사르파라지, S.; Deissenroth-Uhrig, M.; Bertsch, V. 지역사회 에너지 시스템의 가구 집합: 행위자 및 시장 관점의 분석. 에너지 2020, 13, 5154. 2020년 10월.
  64. M. Šipek, D. Muharemagić, B. Mihaljević 및 A. Radovan. GraalVM 및 Quarkus를 사용하여 클라우드 기반 소프트웨어 애플리케이션의 성능을 향상합니다. 2020 제43차 정보, 통신 및 전자 기술에 관한 국제 협약(MIPRO), 크로아티아 오파티야, 2020, pp. 1746-1751. 2020년 10월.
  65. Vats P., Mandot M. AVISAR 객체 지향 테스트 도구 검증을 위한 종합 분석. Joshi A., Khosravy M., Gupta N. (eds) 예측 분석을 위한 기계 학습. 네트워크 및 시스템 강의 노트, vol 141. Springer, Singapore. 2020년 10월.
  66. Thakur, K., Kumar, G. 자연에서 영감을 얻은 침입 탐지 시스템의 기술 및 응용: 최근 진행 상황 및 업데이트된 관점. 공학의 계산 방법 아카이브(2020). 2020년 8월.
  67. 누르 히다야 마트 야신, 압둘 살리 파크루딘, 압둘 와피에 아프난 압둘 하디, 무하마드 하리스 모드 카이루딘, 누르 라이하나 아부 세피안, 파르한 모드 사이드, 노라즈위나 자이놀. 어류 폐기물에서 지방산 메틸 에스테르의 용매 추출을 위한 반응 표면 방법론과 인공 신경망의 비교. 국제 현대 농업 저널, 9권, No.3, 2020, ISSN: 2305-7246. 2020년 9월.
  68. Cicirello, VA Chips-n-Salsa: 사용자 정의 가능, 혼합 가능, 반복, 병렬, 확률론적 및 자체 적응형 지역 검색 알고리즘이 포함된 Java 라이브러리. 오픈 소스 소프트웨어 저널, 5(52), 2448. 2020년 8월.
  69. 리 위안위안; 카라벨리, 스테파노; 파다, 에도아르도; 마네르바, 다니엘; 타데이, 로베르토; 테르조, 올리비에. Industry 4.0의 생산 일정 조정을 위한 머신 러닝 및 최적화. 첨단 제조 기술에 관한 국제 저널. - ISSN 1433-3015. 2020년 8월.
  70. 돌리 사프라(Dolly Sapra)와 앤디 D. 피멘텔(Andy D. Pimentel). 점진적으로 포화되는 목적 함수를 위한 진화적 최적화 알고리즘. GECCO '20, 멕시코 칸쿤. 칠월. 2020.
  71. 돌리 사프라(Dolly Sapra)와 앤디 D. 피멘텔(Andy D. Pimentel). 컨볼루셔널 신경망을 설계하기 위한 제한된 진화적 단편 훈련. IEA/AIE 2020 – 일본 기타큐슈. 칠월. 2020.
  72. Femi Emmanuel Ayo, Sakinat Oluwabukonla Folorunso, Adebayo A. Abayomi-Alli, Adebola Olayinka Adekunle, Joseph Bamidele Awotunde. 규칙 기반 하이브리드 기능 선택으로 최적화된 딥러닝 모델 기반 네트워크 침입 탐지. 정보 보안 저널: 글로벌 관점. 2020년 5월.
  73. Zainol N., Fakharudin AS, 생물학적 음식물 쓰레기 분해를 위한 인공 지능 알고리즘을 사용한 Zulaidi NIS 모델 최적화. Yaser A. (eds) 폐기물 처리 기술의 발전. 스프링거, 싱가포르. 2020년 5월.
  74. 소냐 보네바, 마나르 마즈카틀리, 요하네스 그로만, 앤 코지올렉. 증분 성능 모델 추출을 위한 매개변수 종속성 최적화. 독일 카를스루에 공과대학. 4월. 2020.
  75. 라울 라라-카브레라, 앙헬 곤살레스-프리에토, 페르난도 오르테가, 헤수스 보바디야. 유전자 프로그래밍을 사용한 진화하는 행렬 분해 기반 협업 필터링. MDPI, 응용과학. 2020년 2월.
  76. Humm BG, Hutter M. 로봇 센서 데이터의 복잡한 이벤트 감지를 위한 학습 패턴. 최적화 및 학습. OLA 2020. 컴퓨터 및 정보 과학 커뮤니케이션, vol 1173. Springer 2020년 2월.
  77. Erich C. Teppan, Giacomo Da Col. 대규모 작업장 파견 규칙 생성을 위한 유전 알고리즘. 지능형 방법 통합의 발전. 스마트 혁신, 시스템 및 기술, vol 170. Springer, Singapore. 2020년 1월.
  78. 리카르도 페레스-카스티요, 프란시스코 루이스, 마리오 피아티니. Enterprise Architecture Modeling을 위한 의사결정 지원 시스템입니다. 의사결정 지원 시스템. 2020년 1월.
  79. 사브리나 아펠, 볼프강 가이트너, 스테판 라이만, 마리우시 사핀스키, 라훌 싱, 도미닉 빌스마이어. 중이온 싱크로트론을 위한 자연에서 영감을 받은 최적화 알고리즘 및 기계 학습을 적용합니다. 국제 현대 물리학 저널 A. Dec. 2019.
  80. OM Elzeki, MF Alrahmawy, Samir Elmougy. 암 유전자 데이터 세트의 누락된 값을 대치하기 위한 새로운 하이브리드 유전 및 정보 이득 알고리즘. P국제지능시스템및응용저널(IJISA), Vol.11, No.12, pp.20-33, DOI: 10.5815/ijisa.2019.12.03. 2019년 12월
  81. 올리버 스트라우스, 아마드 알마헤이다트, 홀거 케트. ProductResolution에 휴리스틱 및 기계 학습 전략을 적용합니다. 제15회 웹 정보 시스템 및 기술에 관한 국제 컨퍼런스(WEBIST 2019) 간행물, 페이지 242-249. 2019년 11월.
  82. Yuanyuan Li, Stefano Carabelli, Edoardo Fadda, Daniele Manerba, Roberto Tadei1 및 Olivier Terzo. Industry 4.0의 유연한 작업장 일정 조정을 위한 기계 학습 및 최적화 기술의 통합. Politecnico di Torino, 운영 연구 및 최적화 그룹. 2019년 10월.
  83. Höttger R., Igel B., Spinczyk O. 자동차 시스템을 위한 제한된 소프트웨어 배포. 컴퓨터 및 정보 과학 커뮤니케이션, vol 1078. 2019년 10월.
  84. 이진우, 장광선, 정호현, 이재길, 이의진. 작업 할당을 최적화하여 모바일 클라우드에서 MapReduce 작업 속도와 안정성을 극대화합니다. 퍼베이시브 및 모바일 컴퓨팅. 2019년 10월.
  85. Krawczyk, Lukas, Mahmoud Bazzal, Ram Prasath Govindarajan 및 Carsten Wolff. Eclipse APP4MC를 사용한 이기종 멀티 코어 시스템에 대한 모델 기반 타이밍 분석 및 배포 최적화. 2019 ACM/IEEE 22차 모델 기반 엔지니어링 언어 및 시스템 국제 컨퍼런스 Companion: 44-53. 2019년 9월.
  86. 주니오 세자르 리베이로 다 실바, 로레나 레앙, 비니시우스 페트루치, 압둘라예 가마티에, 페르난도 마그노퀸타오 페레이라. 함수 입력에 대한 다변량 선형 회귀를 통한 이기종 아키텍처의 스케줄링. lirmm-02281112. 2019년 9월.
  87. 에릭 O. 스콧, 숀 루크. ECJ at 20: 일반적인 메타휴리스틱스 툴킷을 지향합니다. GECCO '19: 유전 및 진화 계산 컨퍼런스 동반자 간행물, 페이지 1391-1398. 2019년 7월.
  88. Francisco G. Montoya 및 Raúl Baños Navarro (Eds.). 전력 시스템에 적용되는 최적화 방법, 2권 . MDPI 서적, ISBN 978-3-03921-156-2. 2019년 7월.
  89. Höttger, Robert & Ki, 준형 & Bui, Bao & Igel, Burkhard & Spinczyk, Olaf. 고성능 자동차 시스템을 위한 CPU-GPU 응답 시간 및 매핑 분석. 제10회 실시간 시스템에 관한 Euromicro 컨퍼런스(ECRTS'19)와 함께 개최된 임베디드 및 실시간 시스템(WATERS)용 분석 도구 및 방법론에 관한 제10차 국제 워크숍. 2019년 7월.
  90. 막심 코디, 스티브 뮐러, 마이크 파파다키스, 이브 르 트라온. 검색 기반 테스트 및 머신러닝 기반 이상 징후 탐지 시스템 개선. 제28회 ACM SIGSOFT 소프트웨어 테스팅 및 분석에 관한 국제 심포지엄(ISSTA 2019) 진행. ACM, 뉴욕, 뉴욕, 미국, 158-168. 2019년 7월.
  91. 마이클 비스테인, 얀 파버, 클레멘스 슈미트-아이젠로어, 다니엘 라이터. 다중 운동학적 그리핑 시스템을 사용하여 보조 재료를 자동으로 처리합니다. Procedia 제조 볼륨 38, 2019, 페이지 1276-1283. 2019년 6월.
  92. 니콜라오스 니콜라키스, 이오안니스 스타타키스, 소티리오스 마크리스. 플랜트 운영자에 대한 맞춤형 지원을 위한 혁신적인 정보 시스템입니다. 제52회 CIRP 제조 시스템 컨퍼런스(CMS), 슬로베니아 류블랴나. 2019년 6월.
  93. 마이클 트로터, 티모시 우드, 황진호. 폭풍 예측: 유전 알고리즘과 지도 학습을 사용한 최적 구성 구분. 자기 적응형 및 자기 조직화 시스템에 관한 제13회 IEEE 국제 컨퍼런스(SASO 2019). 2019년 6월.
  94. Krawczyk, Lukas & Bazzal, Mahmoud & Prasath Govindarajan, Ram & Wolff, Carsten. 자율 주행 애플리케이션에서 엔드투엔드 응답 시간을 계산하기 위한 분석적 접근 방식입니다. 제10회 임베디드 및 실시간 시스템 분석 도구 및 방법론에 관한 국제 워크숍(WATERS 2019). 2019년 6월.
  95. 로돌포 아얄라 로페스, 티아고 마세도 고메스, 앨런 로베르트 레센데 데 프레이타스. 상징적 진화 알고리즘 소프트웨어 플랫폼입니다. 유전 및 진화 계산 컨퍼런스 동반자(GECCO '19)의 간행물. 2019년 7월.
  96. 알렉산다르 프로코펙, 안드레아 로사, 다비드 레오폴드세더, 길레스 두보스크, 페트르 투마, 마틴 스투데너, 루보미르 불레지, 유디 정, 알렉스 빌라존, 더그 사이먼, 토마스 뷔르딩거, 월터 바인더. 르네상스: JVM의 병렬 애플리케이션을 위한 벤치마킹 제품군. PLDI '19, 미국 애리조나주 피닉스 2019년 6월.
  97. 로버트 회트거, 루카스 크라우치크, 부르크하르트 이겔, 올라프 스핀치크. 자동차 시스템을 위한 메모리 매핑 분석. 간략한 프레젠테이션 진행(RTAS 2019). 2019년 4월.
  98. Al Akkad, MA, & Gazimzyanov, FF 2D 이미지 구성 특성 평가를 위한 자동화 시스템: 수학적 모델 구성. 지능. 언니. Proizv., 17(1), 26-33. 도이: 10.22213/2410-9304-2019-1-26-33. 2019년 4월.
  99. Alcayde, A.; Baños, R.; 도랑 캠퍼스, FM; Montoya, FG 유전자 알고리즘을 통해 수축 된 전력의 최적화. 에너지, 12 권, 문제 7, 2019 년 4 월.
  100. Abdul Sahli Fakharudin, Norazwina Zainol, Zulsyazwan Ahmad Khushairi. 신경망 및 유전자 알고리즘을 사용한 오일 팜 트렁크 핵심 바이오 디그인 화의 모델링 및 최적화. IEEA '19 : 정보학, 환경, 에너지 및 응용에 관한 제 8 차 국제 회의 절차; 155 ~ 158 페이지, 2019 년 3 월.
  101. Aleksandar Prokopec, Andrea Rosà, David Leopoldseder, Gilles Duboscq, Petr Tůma, Martin Studener, Lubomír Bulej, Yudi Zheng, Alex Villazón, Doug Simon, Thomas Wuerthinger, Walter Binder. 르네상스 벤치마킹 스위트 : 다양성, 성능 및 복잡성 평가. 코넬 대학 : 프로그래밍 언어, 2019 년 3 월.
  102. S. Appel, W. Geithner, S. Reimann, M Sapinski, R. Singh, DM Vilsmeier 최적화 된 알고리즘 및 기계 학습을 사용한 헤비 이온 싱크로 트론의 최적화. 13 번째 int. 2019 년 2 월 , 전산 가속기 Physics Conf..
  103. Saad, Christian, Bernhard Bauer, Ulrich R Mansmann 및 Jian Li. 시스템 생물학에서자가 분석. 생물 정보학 및 생물학 통찰력, 2019 년 1 월.
  104. 간디 바 바우 사트 리아, 수 젊은 신. 산업 무선 센서 네트워크에서 슈퍼 프레임 스케줄링을 최적화하기위한 진화 컴퓨팅 접근법. 코넬 대학교, 2018 년 12 월.
  105. Hr Maier, S. Razavi, Z. Kapelan, LS Matott, J. Kasprzyk, Ba Tolson. 입문 개요 : 진화 알고리즘 및 기타 메타 리즘을 사용한 최적화. 환경 모델링 및 소프트웨어, 2018 년 12 월.
  106. Erich C. Teppan과 Giacomo Da Col. 유전자 알고리즘을 통해 대규모 작업장에 대한 자동 생성 규칙의 자동 생성. CIMA 2018, 지능형 방법 및 응용 프로그램의 조합에 관한 국제 워크숍, 2018 년 11 월.
  107. Pasquale Salzaa, Filomena Ferrucci. 소프트웨어 컨테이너를 사용하여 클라우드의 유전자 알고리즘 속도를 높이십시오. 미래 세대 컴퓨터 시스템, 2018 년 10 월.
  108. Ghulam Mubashar Hassan과 Mark Reynolds. 광석 열차 네트워크의 일정 및 최적화를위한 유전자 알고리즘. GCAI-2018. 인공 지능에 관한 제 4 차 글로벌 컨퍼런스, 2018 년 9 월.
  109. Drezewski, Rafal & Kruk, Sylwia & Makowka, Maciej. 기업 금융 결정을 지원하는 에이전트 기반 바이오에서 영감을 얻은 시스템에 대한 회사의 주식 요인 수익의 진화 적 최적화. IEEE 액세스. 6. 10.1109/access.2018.2870201, 2018 년 9 월.
  110. Arifin, HH, Chimplee, N., Kit Robert Ong, H., Daengdej, J. 및 Sortrakul, T. Evolutionary TradeOff를 사용하여 모델 기반 시스템 엔지니어링을 사용하여 물리적 아키텍처를위한 설계 합성의 자동화 된 구성 요소 선택. Incose International Symposium, 28 : 1296-1310, 2018 년 8 월.
  111. Ong, Robert & Sortrakul, Thotsapon. 모델 기반 시스템 엔지니어링과 설계 합성의 자동 구성 요소 선택을위한 유전자 알고리즘의 선택 방법 비교. 회의 : I-SEEC 2018, 2018 년 5 월.
  112. 스테판 피어 바움. 다이 진화 IM Algorithmus -Teil 2 : Multikriterielle Optimierung und Architekturerkennung. Javaspektrum 03/2018, pp 66–69, 2018 년 5 월.
  113. W. Geithner, Z. Andelkovic, S. Appel, O. Geithner, F. Herfurth, S. Reimann, G. Vorobjev, F. Wilhelmstötter. 공정 제어 시스템 환경에서 기계 최적화를위한 유전자 알고리즘. 2018 년 5 월 제 9 회 국제 입자 가속기 회의 (IPAC'18) .
  114. 스테판 피어 바움. 다이 Evolution IM Algorithmus -Teil 1 : Grundlagen. Javaspektrum 01/2018, pp 64–68, 2018 년 1 월.
  115. Alexander Felfernig, Rouven Walter, José A. Galindo, David Benavides, Seda Polat Erdeniz, Müslüm Atas, Stefan Reiterer. 재구성을위한 언제든지 진단. 지능형 정보 시스템 저널, pp 1–22, 2018 년 1 월.
  116. 브루스 A. 존슨. NMRFX 처리 및 NMRViewJ 분석을 사용한 원시 데이터에서 단백질 백본 화학적 변속으로. 단백질 NMR : 방법 및 프로토콜, pp. 257--310, Springer New York, 2017 년 11 월.
  117. Cuadra P., Krawczyk L., Höttger R., Heisig P., Wolff C. 하이브리드 유전자 알고리즘을 사용하여 밀접하게 결합 된 임베디드 멀티 코어 시스템에 대한 자동화 된 스케줄링. 정보 및 소프트웨어 기술 : 23 번째 국제 회의, ICIST 2017, Druskininkai, Lithuania. 컴퓨터 및 정보 과학의 커뮤니케이션, Vol 756. Springer, Cham, 9 월 2017 년 9 월.
  118. Michael Trotter, Guyue Liu, Timothy Wood. 폭풍으로 : 유전자 알고리즘과 베이지안 최적화를 사용하여 최적의 최적 구성을 내립니다. Self* Systems의 기초 및 응용 프로그램 (FAS* W), 2017 IEEE 2nd International Workshops 2017 년 9 월.
  119. Emna Hachicha, Karn Yongsiriwit, Mohamed Sellami. QoS-AWARE 비즈니스 프로세스 개발에서 유전자 기반 구성 가능한 클라우드 리소스 할당. 정보 및 소프트웨어 기술 : 23 번째 국제 회의, ICIST 2017, Druskininkai, Lithuania. 웹 서비스 (ICWS), 2017 IEEE 국제 회의, 2017 년 6 월.
  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 recializado na redução do coleco de energia. 2017 년 3 월 Beach 2017 pp. 180-189, 컴퓨터 .
  121. Bandaru, S. 및 Deb, K. Metaheuristic 기술. 의사 결정 과학. CRC Press, pp. 693-750, 2016 년 11 월.
  122. Lyazid Toumi, Abdelouahab Moussaoui 및 Ahmet Ugur. EMED-PART : 데이터웨어 하우스의 수평 파티셔닝을위한 효율적인 방법론. 지능형 정보 처리, 보안 및 고급 커뮤니케이션에 관한 국제 회의의 절차. Djallel Eddine Boubiche, Faouzi Hidoussi 및 Homero Toral Cruz (Eds.). ACM, New York, NY, USA, 제 43 조, 7 페이지, 2015 년.
  123. Andreas Holzinger (편집자), IGO Jurisica (편집자). 생체 의학 정보학의 대화식 지식 발견 및 데이터 마이닝. 컴퓨터 과학 강의 노트, Vol. 8401. Springer, 2014.
  124. Lyazid Toumi, Abdelouahab Moussaoui, Ahmet Ugur. 비트 맵 조인 인덱스 선택 문제 데이터웨어 하우스의 입자 떼 최적화. SuperComputing의 저널, Volume 68, Issue 2, pp 672-708, 2014 년 5 월.
  125. Tang YI (Guangzhou Power Supply Bureau Limited, Guangzhou 511400, China) 분배 네트워크를위한 객체 지향적 인 반응 보상 할당 최적화 알고리즘 , 2012 년 10 월.
  126. John M. Linebarger, Richard J. Detry, Robert J. Glass, Walter E. Beyeler, Arlo L. Ames, Patrick D. Finley, S. Louise Maffitt. 시스템 엔지니어링 환경 버전 1.0의 복잡한 적응 시스템. 모래 보고서, 2012 년 2 월.

릴리스 노트

8.1.0

개량

  • #822 : 결합 된 Javadoc을 생성하기위한 빌드 스크립트를 향상시킵니다.
  • #898 : CSV 파일 또는 문자열의 데이터 읽기에 대한 지원 추가. 이것은 회귀 문제에 대한 코드를 단순화합니다. 
 static List < Sample < Double >> parseDoubles ( final CharSequence csv ) {
	return CsvSupport . parseDoubles ( csv ). stream ()
		. map ( Sample :: ofDouble )
		. toList ();
}
  • #904 : Gradle 8.10으로 업그레이드하고 빌드 스크립트 정리.
  • #907 : 최적화 전략을위한 사용자 매뉴얼에 장을 추가하십시오 : 실용적인 Jenetics .
  • #909 : 원시 배열 변환을위한 도우미 방법. 
 final Codec < int [], DoubleGene > codec = Codecs
    . ofVector ( DoubleRange . of ( 0 , 100 ), 100 )
    . map ( Conversions :: doubleToIntArray );

버그

  • #419 : 플라킹 통계 테스트를 수정하십시오.

8.0.0

개량

  • Java 21은 라이브러리 구축 및 사용에 사용됩니다.
  • #878 : 피트니스 기능을 평가하는 가상 스레드를 허용합니다. Engine 만들 때 (아래 코드 스 니펫 참조) 이전 동작이 보존되었습니다. 
 final Engine < DoubleGene , Double > engine = Engine . builder ( ff )
	. fitnessExecutor ( BatchExecutor . ofVirtualThreads ())
	. build ();
  • #880 : Javadoc의 코드 예제를 JEP 413으로 대체하십시오.
  • #886 : CharStore 정렬을 향상시킵니다.
  • #894 : 새로운 유전자 연산자 : ShiftMutator , ShuffleMutator 및 UniformOrderBasedCrossover .
  • #895 : 기본 RandomGenerator 선택을 향상시킵니다. 사용 된 RandomGenerator 은 다음 순서로 선택됩니다.
    1. io.jenetics.util.defaultRandomGenerator start 매개 변수가 설정되어 있는지 확인하십시오. 그렇다면이 생성기를 가져 가십시오.
    2. L64X256MixRandom 생성기가 있는지 확인하십시오. 그렇다면이 생성기를 가져 가십시오.
    3. RandomGeneratorFactory.stateBits() 값에 따라 사용 가능한 최상의 랜덤 생성기를 찾으십시오.
    4. 최상의 생성기를 찾을 수없는 경우 Random 생성기를 사용하십시오. 이 생성기는 모든 플랫폼에서 사용할 수 있습니다.

모든 릴리스 노트

특허

라이브러리는 Apache 라이센스 버전 2.0에 따라 라이센스가 부여됩니다. 

 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.

중고 소프트웨어

확장하다
추가 정보
관련 애플리케이션
추천
관련 정보 전체