首頁>編程相關>Ai源碼
下載

基因學

Jenetics是一個遺傳演算法、演化演算法、語法演化、遺傳程式設計和多目標最佳化函式庫，以現代 Java 編寫。它的設計清楚地分離了演算法的幾個概念，例如Gene 、 Chromosome 、 Genotype 、 Phenotype型、 Population和適應度Function 。 Jenetics允許您最小化和最大化給定的適應度函數，而無需對其進行調整。與其他 GA 實作相比，該函式庫使用演化流 ( EvolutionStream ) 的概念來執行演化步驟。由於EvolutionStream實作了 Java Stream 接口，因此它可以與 Java Stream API 的其餘部分順利運作。

其他語言

  • Jenetics.Net ：基礎函式庫的 C# 實驗性 .NET Core 連接埠。
  • Helisa ：Jenetics 庫的 Scala 包裝。

文件

本庫有完整的文件 (javadoc) 並附帶使用者手冊 (pdf)。

建構基因學

Jenetics至少需要Java 21才能編譯和執行。

從 GitHub 查看 master 分支。 

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

Jenetics 使用 Gradle 作為建置系統，並將原始程式碼組織到子專案（模組）中。每個子項目都位於其自己的子目錄中：

已發表的項目

以下項目/模組也發佈到 Maven。

  • jenetics ：此專案包含 Jenetics 核心模組的原始碼和測試。
  • jenetics.ext ：此模組包含額外的非標準GA 操作和資料類型。它還包含用於解決多目標問題（MOEA）和進行語法進化（GE）的類別。
  • jenetics.prog ：這些模組包含允許進行遺傳編程（GP）的類別。它與現有的EvolutionStream和進化Engine無縫合作。
  • jenetics.xml ： Jenetics基本資料結構的 XML 編組模組。

未發表的項目

  • jenetics.example ：專案包含core模組的範例程式碼。
  • jenetics.doc ：包含網站代碼和手冊。
  • jenetics.tool ：此模組包含用於進行整合測試和演算法效能測試的類別。它也用於建立 GA 效能度量並根據效能度量建立圖表。

若要建置庫，請變更為<builddir>目錄（或模組目錄之一）並呼叫可用任務之一：

  • compileJava ：編譯 Jenetics 來源並將類別檔案複製到<builddir>/<module-dir>/build/classes/main目錄。
  • jar ：編譯原始碼並建立 JAR 檔案。這些工件將複製到<builddir>/<module-dir>/build/libs目錄。
  • javadoc ：產生 API 文件。 Javadoc 儲存在<builddir>/<module-dir>/build/docs目錄中
  • test ：編譯並執行單元測試。測試結果列印到控制台，並由 TestNG 建立的測試報告寫入<builddir>/<module-dir>目錄。
  • clean ：刪除<builddir>/build/*目錄並刪除所有產生的工件。

用於從來源呼叫建構庫 jar 

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

例子

你好世界（正在數數）

最小進化引擎設定需要基因型工廠Factory<Genotype<?>>和一個適應度Function 。 Genotype實作了Factory接口，因此可以用作創建初始Population和創建新的隨機Genotypes的原型。 

 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 );
    }
}

與其他 GA 實作相比，該函式庫使用演化流 ( EvolutionStream ) 的概念來執行演化步驟。由於EvolutionStream實作了 Java Stream 接口，因此它可以與 Java 流 API 的其餘部分順利運作。現在讓我們仔細看看上面的清單並逐步討論這個簡單的程序：

  1. 在設定新的演化Engine時，最具挑戰性的部分可能是將問題域轉換為適當的Genotype （工廠）表示。在我們的範例中，我們要計算BitChromosome的個數。由於我們只計算一條染色體的數量，因此我們只將一條BitChromosome加入到Genotype中。一般來說， Genotype可以用 1 到 n 條染色體來創造。

  2. 完成此操作後，就可以定義應最大化的適應度函數。利用 Java 8 中引入的新語言功能，我們只需編寫一個私人靜態方法，該方法採用我們定義的基因型併計算其適應度值。如果我們想要使用最佳化的位元計數方法bitCount() ，我們必須將Chromosome<BitGene>類別轉換為實際使用的BitChromosome類別。由於我們確信我們使用BitChromosome創建了 Genotype，因此可以安全地完成此操作。然後將對 eval 方法的引用用作適應度函數並傳遞給Engine.build方法。

  3. 在第三步驟中，我們創建進化Engine ，它負責改變或進化給定的群體。該Engine具有高度可配置性，並採用參數來控制進化和計算環境。為了改變演化行為，你可以設定不同的改變者和選擇者。透過改變使用的Executor服務，你可以控制線程的數量；發動機被允許使用。新的Engine實例只能透過其建構器創建，該建構器是透過呼叫Engine.builder方法創建的。

  4. 在最後一步中，我們可以從Engine建立一個新的EvolutionStream 。 EvolutionStream是演化過程的模型或視圖。它充當“進程句柄”，除其他外，還允許您控制演化的終止。在我們的範例中，我們只是在 100 代後截斷流。如果不限制串流， EvolutionStream將不會終止並永遠運行。由於EvolutionStream擴展了java.util.stream.Stream接口，因此它與 Java Stream API 的其餘部分順利整合。然後使用EvolutionResult類別的預定義收集器之一收集最終結果，即我們範例中的最佳Genotype 。

不斷變化的影像

此範例嘗試透過半透明多​​邊形來近似給定影像。它配備了 Swing UI，您可以立即開始自己的實驗。編譯原始碼後

 $ ./gradlew compileTestJava

您可以透過呼叫來啟動該範例

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

上圖顯示了預設影像經過大約 4,000 代演化後的 GUI。使用“開啟”按鈕，可以載入其他圖像進行多邊形化。 「儲存」按鈕允許將 PNG 格式的多邊形影像儲存到磁碟。在UI的按鈕上，您可以更改範例的一些GA參數。

使用 Jenetics 的項目

  • SPEAR ：SPEAR（資源分配智慧能源預測）創建了一個可擴展的平台，用於生產系統的能源和效率最佳化。
  • Renaissance Suite ：Renaissance是一個現代、開放、多樣化的JVM基準測試套件，旨在測試JIT編譯器、垃圾收集器、分析器、分析器和其他工具。
  • APP4MC ：Eclipse APP4MC 是一個用於工程嵌入式多核心和眾核軟體系統的平台。

部落格和文章

  • Schachprobleme komponieren mit演化演算法，作者： Jakob Leck ，2023 年 12 月，Die Schwalbe 324-2，第 373-380 頁。用比平常更多的和棋來作文和解決西洋棋問題。不是使用蠻力方法，而是使用遺傳演算法來解決問題（德語）。
  • 使用 Jenetics 庫解決背包問題，作者： Craftcode Crew ，2021 年 5 月 13 日
  • 一種基於Jenetics的遺傳演算法程式設計，電腦知識與技術2018年22期王康，2018年11月26日
  • Jenetics 庫簡介，作者： baeldung ，2017 年 4 月 11 日
  • 如何使用遺傳演算法解決棘手問題，作者： Tzofia Shiftan ，2017 年 4 月 6 日
  • 使用 Java 進行遺傳演算法，作者： William Antônio ，2017 年 1 月 10 日
  • Jenetics 설치 및 예제，作者JDM ，2015 年 5 月 8 日
  • 유전 알고리즘（遺傳演算法），作者JDM ，2015 年 4 月 2 日

引文

文森特·A·西西里洛。使用 Chips-n-Salsa 進行開源進化計算。斯托克頓大學商學院計算機科學。 2024 年 12 月。

…

  1. 文森特·A·西西里洛。使用 Chips-n-Salsa 進行開源進化計算。斯托克頓大學商學院計算機科學。 2024 年 12 月。
  2. S. Gruber、P. Feichtenschlager、C. Fabianek、E. Gringer 和 CG Schuetz。空中交通流量管理中目標時間管理系統的啟發式最佳化器。 2024 年 AIAA DA​​TC/IEEE 第 43 屆數位航空電子系統會議 (DASC)，美國加州聖地牙哥，2024 年，第 1-10 頁。 2024 年 11 月。
  3. Šimić, G.、Jevremović, A.、Strugarević, D. 使用遺傳演算法改進教學流程。請參閱：Perakovic, D.、Knapcikova, L.（編）《無所不在的智慧基礎設施的未來接觸推動者》。 FABULOUS 2024。
  4. 迪米特里斯·G·明蒂薩·尼古拉斯·切馬裡奧薩·安德烈亞斯·楚馬尼薩·阿納斯塔西奧斯·G·帕帕迪亞曼蒂薩·尼科· W·範·登·布林克·亨克·J·範·林吉尼·喬治亞·梅拉拉基夫·伊索特·林奇布·安特里亞斯·阿凡蒂斯。 NanoBioAccumulate：透過 Enalos DIAGONAL 雲平台模擬奈米材料在土壤和水生無脊椎動物中的吸收和生物累積。計算和結構生物技術雜誌。愛思唯爾，2001-0370。 2024 年 10 月。
  5. R. Jordão、F. Bahrami、Y. Yang、M. Becker、I. Sander 和 K. Rosvall。多核心平台上靜態 DSP 的多目標無偏好精確設計空間探索。 2024 年規範與設計語言 (FDL) 論壇，瑞典斯德哥爾摩，2024 年，第 1-9 頁。 2024 年 9 月。
  6. 賈里德·墨菲和特拉維斯·德塞爾。最小化 EXA-GP 基於圖的遺傳規劃演算法以進行可解釋的時間序列預測。在遺傳和進化計算會議同伴（GECCO '24 同儕）的會議記錄中。電腦協會，美國紐約州紐約市，1686-1690 年。 2024 年 8 月。
  7. 賈里德·墨菲、德夫魯普·卡、約書亞·卡恩斯和特拉維斯·德塞爾。 EXA-GP：統一基於圖的遺傳編程和神經進化以進行可解釋的時間序列預測。在遺傳和進化計算會議同伴（GECCO '24 同儕）的會議記錄中。電腦協會，美國紐約州紐約市，523–526。 2024 年 8 月。
  8. 塞巴斯蒂安·格魯伯、保羅·費希滕施拉格和克里斯托夫·G·舒茨。使用遺傳演算法在時間關鍵的設定中進行多目標分配問題的隱私保護最佳化：空中交通流量管理中的應用。遺傳與演化計算會議記錄（GECCO '24）。電腦協會，美國紐約州紐約市，1246–1254。 2024 年 7 月。
  9. 王江浩、克萊·史蒂文斯、布魯克·基德摩斯、邁拉·B·科恩和哈米德·巴蓋裡。具有自適應適應度函數的合金規格的演化分析。基於搜尋的軟體工程。 SSBSE 2024。 2024 年 7 月。
  10. 伯恩哈德·J·伯傑；克里斯蒂娜豐滿；勞倫保羅；羅爾夫·德雷克斯勒。 EvoAl — 無程式碼域最佳化。遺傳與演化計算會議（GECCO-2024）。 2024 年 7 月。
  11. 克里斯蒂娜·普朗普、丹尼爾·C·霍因基斯、約恩·胡貝爾、伯恩哈德·J·伯格、馬蒂亞斯·岡瑟、克里斯托夫·盧斯、羅爾夫·德雷克斯勒。為您的患者尋找完美的 MRI 序列 --- 實現 MRI 序列的最佳化工作流程。 IEEE WCCI 2024。2024年 6 月。
  12. 米蘭庫古羅維奇、米萊娜武約塞維奇賈尼西奇、沃金約萬諾維奇、湯瑪斯維爾辛格。 GraalSP：多語言、高效且強大的基於機器學習的靜態分析器。系統與軟體雜誌，第 213 卷，2024 年，112058，ISSN 0164-1212。七月。 2024 年。
  13. 馮文、雷曉輝、蔣雲中、王超、廖偉紅、王浩、龔星輝、於峰。城市河流系統即時控制的耦合模型預測控制和基於規則的控制。水文學雜誌，2024 年，131228，ISSN 0022-1694。 2024 年 4 月。
  14. S. Sint、A. Mazak-Huemer、M. Eisenberg、D. Waghubinger 和 M. Wimmer。自動最佳化模型驅動運行時狀態辨識的容差範圍。 IEEE 自動化科學與工程彙刊。四月。 2024 年。
  15. Cicirello，Vincent A。應用科學 14，沒有。 6：2542。2024年 3 月。
  16. Koitz-Hristov R、Sterner T、Stracke L、Wotawa F。 J Softwarew Evol Proc。 2024；e2656。 2024 年 2 月。
  17. 若爾當，魯道夫；貝克爾，馬蒂亞斯；桑德、英戈. IDeSyDe：透過設計空間辨識進行系統設計空間探索。 ACM 電子系統設計自動化彙刊。 2024 年 2 月。
  18. Squillero, G.、Tonda, A. Veni、Vidi、Evolvi 對 WB Langdon 的“Jaws 30”的評論。 Genet 計畫可進化馬赫 24, 24 (2023) 2023 年 11 月。
  19. Eneko Osaba、Gorka Benguria、Jesus L. Lobo、Josu Diaz-de-Arcaya、Juncal Alonso、Iñaki Etxaniz。最佳化 IaC 配置：使用自然啟發計算的案例研究。 CIIS 2023。2023年 11 月。
  20. Sapra, D.、Pimentel, AD 探索具有終生可靠性和功耗權衡的多核心系統。嵌入式電腦系統：架構、建模與模擬。 SAMOS 2023。 2023 年 11 月。
  21. 賽義德·朱德·阿里、揚·邁克爾·拉蘭霍、多明尼克·博克。基於通用且可自訂的遺傳演算法的概念模型模組化架構。第 27 屆國際 EDOC 會議 (EDOC 2023) - 企業設計、營運和計算。 2023 年 9 月。
  22. A. Elyasaf、E. Farchi、O. Margalit、G. Weiss 和 Y. Weiss。組合序列測試的通用覆蓋標準。 IEEE 軟體工程彙刊，卷。 49，沒有。 08，第 4023-4034 頁。 2023 年 8 月。
  23. 朱利安安布拉德、羅伯特菲爾曼、加布里埃爾科皮托。 GPSstar4：用於實驗遺傳程式設計的靈活框架。 OGECCO '23 同儕：遺傳和進化計算同儕會議記錄。 2023 年 7 月。
  24. Garmendia, A.、Bork, D.、Eisenberg, M.、Ferreira, T.、Kessentini, M.、Wimmer, M. 利用人工智慧進行基於模型的軟體分析和設計。利用人工智慧優化軟體開發流程。自然計算系列。施普林格，新加坡。 2023 年 7 月。
  25. Sikora, M.、Smołka, M. 演化演算法和機器學習在四部分協調中的應用。計算科學 – ICCS 2023。
  26. 多莉·薩普拉和安迪·皮門特爾。探索具有終生可靠性和功耗權衡的多核心系統。薩莫斯'23。 2023 年 5 月。
  27. 維賓舒克拉 (Vipin Shukla)、麥納克班迪奧帕迪亞 (Mainak Bandyopadhyay)。透過受自然啟發的演化演算法優化 ANN 驅動等離子體源的輸入參數。智慧系統與應用，第 18 卷，2023 年，200200，ISSN 2667-3053。 2023 年 5 月。
  28. P. Feichtenschlager、K. Schuetz、S. Jaburek、C. Schuetz、E. Gringinger。空中交通流量管理時隙交換拍賣機制的隱私權保護實施。第 23 屆綜合通訊、導航和監視會議 (ICNS 2023) 會議記錄，美國華盛頓特區，2023 年 4 月 18-20 日，IEEE Press，12 頁。 2023 年 4 月。
  29. 克里斯托夫·拉伯、陶公、肖卡特·阿里。基於多目標搜尋的軟體微基準優先排序。 ArXiv/電腦科學/軟體工程。 2022 年 11 月。
  30. 里卡多·費雷拉·維萊拉、若昂·喬馬·內托、維克多·雨果·聖地亞哥·科斯塔·平托、保羅·塞爾吉奧·洛佩斯·德·索薩、西蒙娜·多·羅西奧·森格·德·索薩。仿生優化支援並發軟體的測試資料產生。並發與計算：實踐與經驗。 2022 年 11 月。
  31. G. Mateeva、D. Parvanov、I. Dimitrov、I. Iliev 和 T. Balabanov。第三方遺傳演算法軟體庫在金融時間序列預測行動分散式計算的效率。 2022 年國際自動化與資訊學會議 (ICAI)。 2022 年 10 月。
  32. 吉列爾梅·埃斯帕達、萊昂·英格爾斯、保羅·卡內拉斯、佩德羅·巴博薩、阿爾西德斯·豐塞卡。資料類型作為語法引導遺傳程式的更符合人體工學的前端。 arXiv. 2022 年 10 月。
  33. Christoph G. Schuetz、Thomas Lorünser、Samuel Jaburek、Kevin Schuetz、Florian Wohner、Roman Karl 和 Eduard Gringinger。使用遺傳演算法和多方運算進行隱私保護最佳化的分散式架構。 CoopIS 2022：合作資訊系統，第 168-185 頁。 2022 年 9 月。
  34. 克里斯蒂娜·普朗普、伯恩哈德·J·伯格、羅爾夫·德雷克斯勒。使用訓練資料的密度來改進具有近似適應度函數的演化演算法。 WCCI2022 IEEE 計算智能世界大會。 2022 年 7 月。
  35. 克里斯蒂娜·普朗普、伯恩哈德·J·伯格、羅爾夫·德雷克斯勒。使變異和重組算子適應現實應用資料中的範圍感知關係。 GECCO '22：遺傳和進化計算會議配套論文集。第 755–758 頁。 2022 年 7 月。
  36. 艾瑞克·梅德韋特、喬治亞·納迪扎、盧卡·曼佐尼。 JGEA：用於實驗進化計算的模組化 Java 框架。 GECCO '22：遺傳和進化計算會議配套論文集。 2009-2018 頁。 2022 年 7 月。
  37. 摩西·西佩爾、托默·哈爾佩林、伊泰·茨魯亞、阿奇亞·埃利亞薩夫。 EC-KitY：Python 中的演化計算工具套件，具有無縫機器學習整合。 arXiv：2207.10367v1 [cs.NE]。 2022 年 7 月。
  38. A. Billedeaux 和 B. DeVries。使用變形關係和遺傳演算法來測試開源軟體。 2022 年 IEEE 國際電子資訊科技會議 (eIT)，2022 年，第 342-345 頁。 2022 年 7 月。
  39. R. Koitz-Hristov、L. Stracke 和 F. Wotawa。檢查測試套件減少的覆蓋範圍 - 值得付出努力嗎？ 2022 年 IEEE/ACM 軟體測試自動化國際會議 (AST)，第 6-16 頁。 2022 年 6 月。
  40. 阿卜杜薩邁德·韋塞、穆罕默德·塞勒姆、安東尼奧·M·莫拉。即時策略遊戲中 MCTS 不斷變化的動作預選參數。娛樂計算，第 42 卷。
  41. Musatafa Abbas Abbood Albadr、Sabrina Tiun、Masri Ayob、Fahad Taha AL-Dhief、Khairuddin Omar 和 Mhd Khaled Maen。使用優化遺傳演算法的語音情緒辨識—極限學習機。多媒體工具和應用程序， 2022 年 3 月。
  42. 克里斯蒂娜·普朗普、伯恩哈德·伯傑、羅爾夫·德雷克斯勒。為正確的限制選擇正確的技術 - 在演化演算法中強制執行搜尋空間限制的特定領域方法。 LDIC-2022，物流動態國際會議， 2022 年 2 月。
  43. Quoc Nhat Han Tran、Nhan Quy Nguyen、Hicham Chehade、Lionel Amodeo、Farouk Yalaoui。門診預約優化：化療服務案例研究。應用科學/計算和人工智慧。 2022 年 1 月。
  44. Achiya Elyasaf、Eitan Farchi、Oded Margalit、Gera Weiss、Yeshayahu Weiss。使用行為編程和廣義覆蓋標準進行組合序列測試。系統與軟體雜誌。 2022 年 1 月。
  45. 頻率集團。 D4.1 有關最新相關概念的報告。 SLOTMACHINE - 結果和公開交付成果，Frequentis， 2021 年 12 月。
  46. 黃萬傑、王浩天、薛一博。基於遺傳演算法的倉內揀貨模型最佳化研究。 2021 年資訊科技、教育與發展國際會議 (ICITED 2021)。 2021 年 12 月。
  47. Aalam Z.、Kaur S.、Vats P.、Kaur A.、Saxena R。智慧可持續系統。網路與系統講義，第 334 卷。 2021 年 12 月。
  48. Anh Vu Vo、黛布拉·F·拉弗、喬納森·伯恩。使用遺傳演算法和雙平行計算框架優化城市 LiDAR 飛行路徑規劃。遙感，第 13 卷，第 21 期。
  49. Pozas N.、Durán F. 關於服務導向的應用程式組合的可擴展性。 ICSOC 2021：服務導向的計算，第 449-463 頁， 2021 年 11 月。
  50. Küster, T.、Rayling, P.、Wiersig, R. 等。使用遺傳演算法對節能生產計劃進行多目標最佳化。優化與工程（2021）。 2021 年 10 月。
  51. B.德弗里斯和 C.特雷夫茨。自動測試產生的新穎性搜尋和變形測試方法。 2021 年 IEEE/ACM 第 14 屆基於搜尋的軟體測試 (SBST) 國際研討會，2021 年，第 8-11 頁。 2021 年 5 月。
  52. W. 蓋特納、Z. 安德爾科維奇、O. 蓋特納、F. 赫弗斯、V. 拉普、A. 內梅斯、F. Wilhelmstötter、AH Van Benschoten。使用雙目標遺傳和矩陣輪廓演算法進行離子源最佳化。 IPAC2021 - 第十二屆國際粒子加速器會議。 2021 年 5 月。
  53. C. Plump、BJ Berger 和 R. Drechsler。適用於複雜現實應用的領域驅動的相關感知重組和變異算子。 2021 年 IEEE 進化計算大會 (CEC)，第 540-548 頁。 2021 年 7 月。
  54. Sapra, D.、Pimentel, AD 設計具有約束進化分段訓練的捲積神經網路。應用英特爾 (2021)。 2021 年 7 月。
  55. 米凱拉·洛蘭迪、萊昂納多·盧西奧·庫斯托德、喬瓦尼·艾卡。延遲容忍網路中路由的遺傳改進。 GECCO '21：遺傳和演化計算會議配套論文集。 2021 年 7 月，第 35-36 頁。
  56. 克里斯蒂娜·普拉姆 (Plump)、伯恩哈德·J·伯傑 (Bernhard J.) 和羅爾夫·德雷克斯勒 (Drechsler)。透過預測區間增強近似適應度函數來改進演化演算法。 IEEE 進化計算大會 (IEEE CEC-2021)。 2021 年 6 月。
  57. Faltaous、莎拉、Abdulmaksoud、Aya、Kempe、Markus、Alt、Florian 和 Schneegass、Stefan。 GeniePutt：透過肌肉電刺激增強人類運動技能。它 - 資訊技術，卷。 ， 不。 ，2021年。
  58. 唐一鳴、拉菲哈查杜里安、邁赫迪巴格札德、瑞亞辛格、阿賈尼史都華和安妮塔拉賈。機器學習系統中重構與技術債的實證研究。在國際軟體工程會議 ICSE '21 中。 2021 年 5 月。
  59. Arifin HH、Robert Ong HK、Dai J.、Daphne W.、Chiimplee N。參見：Krob D.、Li L.、Yao J.、Zhang H.、Zhang X.（編）複雜系統設計與管理。施普林格、查姆. 2021 年 4 月。
  60. 米歇拉·洛蘭迪、萊昂納多·盧西奧·庫斯托德和喬瓦尼·艾卡。延遲容忍網路路由協定的遺傳改進。 arXiv：2103.07428v1 2021 年 3 月。
  61. 阿明·阿齊茲-阿拉維、卡羅拉·杜爾、約翰·德雷奧。透過整合模組化基準測試框架實現大規模自動化演算法設計。 E arXiv：2102.06435 2021 年 2 月。
  62. 多明尼克·博克、安東尼奧·加門迪亞和曼努埃爾·威默。面向實體關係模型的多目標模組化方法。 ER 2020，第 39 屆國際概念建模會議。 2020 年 11 月。
  63. 薩法拉齊，S.；戴森羅斯-烏里格，M.； Bertsch, V. 社區能源系統中的家庭聚集：從參與者和市場角度進行的分析。能源 2020, 13, 5154. 2020 年 10 月。
  64. M. Šipek、D. Muharemagić、B. Mihaljević 和 A. Radovan。使用 GraalVM 和 Quarkus 增強基於雲端的軟體應用程式的效能。 2020 年第 43 屆國際資訊、通訊與電子技術大會 (MIPRO)，克羅埃西亞奧帕提亞，2020 年，第 1746-1751 頁。 2020 年 10 月。
  65. Vats P.、Mandot M. AVISAR 物件導向測試工具驗證的綜合分析。 Joshi A.、Khosravy M.、Gupta N.（編）用於預測分析的機器學習。網路與系統講義，第 141 卷。 2020 年 10 月。
  66. Thakur, K.、Kumar, G. 入侵偵測系統中受自然啟發的技術和應用：最新進展和最新觀點。工程計算方法檔案（2020）。 2020 年 8 月。
  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。響應曲面法和人工神經網路從魚類廢棄物中溶劑萃取脂肪酸甲酯的比較。國際現代農業雜誌，第 9 卷，第 3 期，2020 年，ISSN：2305-7246。 2020 年 9 月。
  68. Cicirello，VA Chips-n-Salsa：可自訂、可混合、迭代、平行、隨機和自適應本地搜尋演算法的 Java 函式庫。開源軟體雜誌，5(52)，2448。2020年 8 月。
  69. 李媛媛；史特凡諾·卡拉貝利；愛德華多·法達；馬內爾巴，丹尼爾；塔德伊，羅伯托；三爾佐，奧利維爾。工業 4.0 中生產重新安排的機器學習和最佳化。國際先進製造技術雜誌。 - ISSN 1433-3015。 2020 年 8 月。
  70. 多莉·薩普拉和安迪·皮門特爾。逐漸飽和目標函數的演化最佳化演算法。 GECCO '20，墨西哥坎昆。七月。 2020.
  71. 多莉·薩普拉和安迪·皮門特爾。用於設計卷積神經網路的約束進化零散訓練。 IEA/AIE 2020 – 日本北九州。七月。 2020.
  72. Femi Emmanuel Ayo、Sakinat Oluwabukonla Folorunso、Adebayo A. Abayomi-Alli、Adebola Olayinka Adekunle、Joseph Bamidele Awotunde。基於深度學習模型的網路入侵偵測，透過基於規則的混合特徵選擇進行最佳化。資訊安全雜誌：全球視角。 2020 年 5 月。
  73. Zainol N.、Fakharudin AS、Zulaidi NIS 使用人工智慧演算法優化食物廢棄物生物降解模型。 Yaser A.（編）廢棄物處理技術的進展。施普林格，新加坡。 2020 年 5 月。
  74. 索妮亞·沃內娃、馬納爾·馬茲卡特里、約翰內斯·格羅曼和安妮·科齊奧萊克。優化增量效能模型擷取的參數依賴性。卡爾斯魯厄理工學院，卡爾斯魯厄，德國。四月。 2020.
  75. 勞爾·拉拉·卡布雷拉、安赫爾·岡薩雷斯·普列托、費爾南多·奧爾特加和赫蘇斯·博巴迪利亞。使用遺傳編程演進基於矩陣分解的協同濾波。 MDPI，應用科學。 2020 年 2 月。
  76. Humm BG、Hutter M。優化和學習。 OLA 2020。
  77. Erich C. Teppan，Giacomo Da Col。智能方法整合的進展。智慧創新、系統與技術，第 170 卷。 2020 年 1 月。
  78. 里卡多·佩雷斯-卡斯蒂略、弗朗西斯科·魯伊斯、馬裡奧·皮亞蒂尼。企業架構建模的決策支援系統。決策支援系統。 2020 年 1 月。
  79. 薩布麗娜·阿佩爾、沃夫岡·蓋特納、史蒂芬·雷曼、馬裡烏斯·薩賓斯基、拉胡爾·辛格和多米尼克·維爾斯邁爾。受自然啟發的最佳化演算法和機器學習在重離子同步加速器中的應用。國際現代物理學雜誌 A. 2019 年 12 月。
  80. OM Elzeki、MF Alrahmawy、Samir Elmougy。一種新的混合遺傳和資訊增益演算法，用於估算癌症基因資料集中的缺失值。 P國際智慧系統與應用期刊 (IJISA)，第 11 卷，第 12 期，第 20-33 頁，DOI：10.5815/ijisa.2019.12.03。 2019 年 12 月。
  81. 奧利佛史特勞斯、艾哈邁德阿爾姆海達和霍爾格凱特。將啟發式和機器學習策略應用於 ProductResolution。第 15 屆網路資訊系統與技術國際會議 (WEBIST 2019) 論文集，第 242-249 頁。 2019 年 11 月。
  82. 李媛媛、Stefano Carabelli、Edoardo Fadda、Daniele Manerba、Roberto Tadei1 和 Olivier Terzo。機器學習和優化技術的集成，用於工業 4.0 中靈活的車間重新調度。都靈理工大學，運籌學和優化小組。 2019 年 10 月。
  83. Höttger R.、Igel B.、Spinczyk O. 汽車系統的約束軟體分發。計算機與資訊科學通信，第 1078 卷。
  84. 李振宇、張光善、鄭浩賢、李在吉、李宜珍。透過優化任務分配，最大限度地提高行動雲中的 MapReduce 作業速度和可靠性。普遍的移動計算。 2019 年 10 月。
  85. 克勞奇克、盧卡斯、馬哈茂德·巴扎爾、拉姆·普拉薩斯·戈文達拉詹和卡斯滕·沃爾夫。使用 Eclipse APP4MC 對異構多核心系統進行基於模型的時序分析和部署最佳化。 2019 年 ACM/IEEE 第 22 屆模型驅動工程語言與系統國際會議同儕：44-53。 2019 年 9 月。
  86. 朱尼奧·塞薩爾·裡貝羅·達·席爾瓦、洛雷娜·萊昂、維尼修斯·彼得魯奇、阿卜杜拉耶·加馬蒂埃、費爾南多·馬格諾·昆塔奧·佩雷拉。透過函數輸入的多元線性迴歸在異質架構中進行調度。 lirmm-02281112。 2019 年 9 月。
  87. 埃里克·O·斯科特，肖恩·盧克。 ECJ 20 週年：走向通用元啟發式工具包。 GECCO '19：遺傳和演化計算會議配套論文集，第 1391-1398 頁。 2019 年 7 月。
  88. 蒙托亞 (Francisco G. Montoya) 與勞爾‧巴尼奧斯‧納瓦羅 (Raúl Baños Navarro)（編）。適用於電力系統的最佳化方法，第 2 卷。 2019 年 7 月。
  89. Höttger、Robert 和 Ki、Junhyung 和 Bui、Bao 和 Igel、Burkhard 和 Spinczyk、Olaf。高性能汽車系統的 CPU-GPU 反應時間和映射分析。第 10 屆嵌入式和即時系統分析工具和方法國際研討會 (WATERS) 與第 31 屆 Euromicro 即時系統會議 (ECRTS'19) 同期舉辦。 2019 年 7 月。
  90. 馬克西姆·科迪、史蒂夫·穆勒、邁克·帕帕達基斯和伊夫·勒·特勞恩。基於搜尋的測試和基於機器學習的異常檢測系統的改進。第 28 屆 ACM SIGSOFT 國際軟體測試與分析研討會 (ISSTA 2019) 論文集。 ACM，美國紐約州紐約市，158-168。 2019 年 7 月。
  91. 麥可‧維斯坦、揚‧法貝爾、克萊門斯‧施密特-艾森洛爾、丹尼爾‧雷特。使用多運動抓取系統自動處理輔助材料。 Procedia 製造，2019 年第 38 卷，第 1276-1283 頁。 2019 年 6 月。
  92. 尼可拉斯·尼古拉基斯、揚尼斯·斯塔哈基斯、索蒂裡奧斯·馬克里斯。為工廠操作員提供個人化支援的進化資訊系統。第 52 屆 CIRP 製造系統會議 (CMS)，斯洛維尼亞盧布爾雅那。 2019 年 6 月。
  93. 麥可特羅特、提摩西伍德和黃振浩。預測風暴：使用遺傳演算法和監督式學習來預測最佳配置。第 13 屆 IEEE 自適應和自組織系統國際會議 (SASO 2019)。 2019 年 6 月。
  94. Krawczyk、Lukas & Bazzal、Mahmoud & Prasath Govindarajan、Ram & Wolff、Carsten。一種用於計算自動駕駛應用中端到端回應時間的分析方法。第十屆嵌入式和即時系統分析工具和方法國際研討會 (WATERS 2019)。 2019 年 6 月。
  95. 魯道夫·阿亞拉·洛佩斯、蒂亞戈·馬塞多·戈麥斯和艾倫·羅伯特·雷森德·德·弗雷塔斯。符號演化演算法軟體平台。遺傳和進化計算會議同儕會議記錄（GECCO '19）。 2019 年 7 月。
  96. 亞歷山大·普羅科佩克、安德里亞·羅莎、大衛·利奧波德塞德、吉爾斯·杜博斯克、彼得·圖馬、馬丁·斯圖德納、盧博米爾·布萊傑、鄭宇迪、亞歷克斯·維拉宗、道格·西蒙、托馬斯·伍辛格、沃爾特·賓德。 Renaissance：JVM 上並行應用程式的基準測試套件。 PLDI '19，美國亞利桑那州鳳凰城。 2019 年 6 月。
  97. 羅伯特·霍特格、盧卡斯·克勞奇克、布克哈德·伊格爾、奧拉夫·斯賓奇克。汽車系統的記憶體映射分析。簡單介紹論文集（RTAS 2019）。 2019 年 4 月。
  98. Al Akkad, MA 和 Gazimzyanov, FF 用於評估 2D 影像合成特徵的自動化系統：配置數學模型。智力。姐姐。 Proizv., 17(1), 26-33。 DOI：10.22213/2410-9304-2019-1-26-33。 2019 年 4 月。
  99. 阿爾凱德，A.；巴尼奧斯，R.；阿拉巴爾-坎波斯，FM； Montoya，FG 透過遺傳演算法優化合約電力。 《能源》，第 12 卷，第 7 期， 2019 年 4 月。
  100. 阿卜杜勒·薩利·法卡魯丁、諾拉茲維娜·扎伊諾爾、祖爾西亞茲萬·艾哈邁德·庫謝裡。使用神經網路和遺傳演算法對油棕樹幹核心生物脫木質素進行建模和優化。 IEEA '19：第八屆國際資訊學、環境、能源和應用會議論文集；第 155–158 頁， 2019 年 3 月。
  101. 亞歷山大·普羅科佩克、安德里亞·羅莎、大衛·利奧波德塞德、吉爾·杜博斯克、彼得·圖馬、馬丁·斯圖德納、盧博米爾·布萊傑、鄭宇迪、亞歷克斯·維拉宗、道格·西蒙、托馬斯·烏爾辛格、沃爾特·賓德。關於評估 Renaissance 基準測試套件：多樣性、性能和複雜性。康乃爾大學：程式語言， 2019 年 3 月。
  102. S. Appel、W. Geithner、S. Reimann、M Sapinski、R. Singh、DM Vilsmeier 使用受自然啟發的演算法和機器學習優化重離子同步加速器。第 13 屆國際。計算加速器物理學會， 2019 年 2 月。
  103. 克里斯蒂安·薩阿德、伯恩哈德·鮑爾、烏爾里希·R·曼斯曼和李健。系統生物學中的自動分析。生物資訊學與生物學見解， 2019 年 1 月。
  104. Gandeva Bayu Satrya，Soo Young Shin。優化工業無線感測器網路超幀調度的進化計算方法。康乃爾大學， 2018 年 12 月。
  105. HR Maier、S. Razavi、Z. Kapelan、LS Mattott、J. Kasprzyk、BA Tolson。介紹性概述：使用演化演算法和其他元啟發法進行最佳化。環境建模與軟體， 2018 年 12 月。
  106. Erich C. Teppan 和 Giacomo Da Col. 透過遺傳演算法自動產生大型作業車間的調度規則。 CIMA 2018，智慧方法與應用組合國際研討會， 2018 年 11 月。
  107. 帕斯卡萊·薩爾扎，菲洛梅娜·費魯奇。使用軟體容器在雲端加速遺傳演算法。新一代電腦系統， 2018 年 10 月。
  108. 古拉姆·穆巴沙爾·哈桑和馬克·雷諾茲。用於礦石列車網路調度和優化的遺傳演算法。 GCAI-2018。第四屆全球人工智慧會議， 2018 年 9 月。
  109. Drezewski、Rafal 和 Kruk、Sylwia 和 Makowka、Maciej。公司股本回報率的進化優化：邁向支持公司財務決策的基於代理的仿生系統。 IEEE 訪問。 6. 10.1109/ACCESS.2018.2870201，2018年 9 月。
  110. Arifin, HH、Chimplee, N.、Kit Robert Ong, H.、Daengdej, J. 和 Sortrakul, T. 使用演化權衡，透過基於模型的系統工程對物理架構的設計綜合進行自動組件選擇。 INCOSE 國際研討會，28：1296-1310，2018年 8 月。
  111. Ong、Robert 和 Sortrakul，Thotsapon。設計綜合自動組件選擇的遺傳演算法選擇方法與基於模型的系統工程的比較。會議：I-SEEC 2018，2018年 5 月。
  112. 史蒂芬·皮恩鮑姆。演算法的演化 - Teil 2：多重標準最佳化和架構。 JavaSPEKTRUM 03/2018，第 66-69 頁， 2018 年 5 月。
  113. W.蓋特納、Z.安德爾科維奇、S.阿佩爾、O.蓋特納、F.赫弗斯、S.雷曼、G.沃羅布耶夫、F.威廉斯托特。公平控制系統環境中機器最佳化的遺傳演算法。第九屆國際粒子加速器會議 (IPAC'18)， 2018 年 5 月。
  114. 史蒂芬·皮恩鮑姆。演算法的演化 - Teil 1：Grundlagen。 JavaSPEKTRUM 01/2018，第 64–68 頁， 2018 年 1 月。
  115. 亞歷山大·費爾弗尼格、魯文·沃爾特、何塞·A·加林多、大衛·貝納維德斯、塞達·波拉特·埃爾德尼茲、穆斯魯姆·阿塔斯、斯特凡·賴特雷爾。隨時診斷重新配置。 《智慧資訊系統期刊》，第 1-22 頁， 2018 年 1 月。
  116. 布魯斯·A·約翰遜。使用 NMRFx 處理和 NMRViewJ 分析從原始數據到蛋白質主鏈化學位移。蛋白質 NMR：方法與方案，第 257--310 頁，施普林格紐約， 2017 年 11 月。
  117. Cuadra P.、Krawczyk L.、Höttger R.、Heisig P.、Wolff C. 使用混合遺傳演算法的緊密耦合嵌入式多核心系統自動調度。資訊與軟體技術：第 23 屆國際會議，ICIST 2017，立陶宛德魯斯基寧凱。計算機與資訊科學通信，第 756 卷。
  118. 麥可特羅特、古越劉、提摩西伍德。進入風暴：使用遺傳演算法和貝葉斯優化描述最佳配置。自*系統的基礎和應用 (FAS*W)，2017 年 IEEE 第二屆國際研討會，2017 年 9 月。
  119. 艾姆納·哈奇查、卡恩·永斯里維特、穆罕默德·塞拉米。 QoS 感知業務流程開發中基於遺傳的可配置雲端資源分配。資訊與軟體技術：第 23 屆國際會議，ICIST 2017，立陶宛德魯斯基寧凱。 Web 服務 (ICWS)，2017 年 IEEE 國際會議，2017 年 6 月。
  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。 2017 年海灘電腦，第 180-189 頁，2017 年 3 月。
  121. Bandaru, S. 和 Deb, K. 元啟發式技術。決策科學。 CRC Press，第 693-750 頁，2016 年 11 月。
  122. Lyazid Toumi、Abdelouahab Moussaoui 和 Ahmet Ugur。 EMeD-Part：資料倉儲中水平分割的有效方法。智慧資訊處理、安全與高階通訊國際會議論文集。 Djallel Eddine Boubiche、Faouzi Hidoussi 與 Homero Toral Cruz（編）。 ACM，美國紐約州紐約市，第 43 條，7 頁，2015 年。
  123. 霍爾辛格（Andreas Holzinger）（編輯），伊戈·尤里西卡（Igo Jurisica）（編輯）。生物醫學資訊學中的互動式知識發現和資料探勘。計算機科學講義，卷。 8401.施普林格，2014。
  124. 利亞齊德·圖米、阿瓦魯哈卜·穆薩維、艾哈邁德·烏古爾。資料倉儲中位圖連接索引選擇問題的粒子群最佳化。 《超級計算雜誌》，第 68 卷，第 2 期，第 672-708 頁，2014 年 5 月。
  125. 唐毅（廣州供電局有限公司，廣州 511400）物件導向的配電網無功補償分配最佳化演算法研究，2012年10月。
  126. 約翰·M·萊恩巴格、理查德·J·德特里、羅伯特·J·格拉斯、沃爾特·E·貝耶勒、阿洛·L·埃姆斯、帕特里克·D·芬利、S ·路易斯·馬菲特。系統工程環境的複雜自適應系統版本1.0。沙地報告，2012 年 2 月。

發行說明

8.1.0

改進

  • #822：改進產生組合 Javadoc 的建置腳本。
  • #898：新增對從 CSV 檔案或字串讀取資料的支援。這簡化了回歸問題的程式碼。 
 static List < Sample < Double >> parseDoubles ( final CharSequence csv ) {
	return CsvSupport . parseDoubles ( csv ). stream ()
		. map ( Sample :: ofDouble )
		. toList ();
}
  • #904：升級到 Gradle 8.10 並清理建置腳本。
  • #907：在使用手冊中加入關於優化策略的章節： Practical Jenetics 。
  • #909：用於轉換原始陣列的輔助方法。 
 final Codec < int [], DoubleGene > codec = Codecs
    . ofVector ( DoubleRange . of ( 0 , 100 ), 100 )
    . map ( Conversions :: doubleToIntArray );

蟲

  • #419：修復不穩定的統計測試。

8.0.0

改進

  • Java 21 用於建置和使用該程式庫。
  • #878：允許虛擬執行緒評估適應度函數。必須在建立Engine時啟用（參見下面的程式碼片段），先前的行為已被保留。 
 final Engine < DoubleGene , Double > engine = Engine . builder ( ff )
	. fitnessExecutor ( BatchExecutor . ofVirtualThreads ())
	. build ();
  • #880：用 JEP 413 取代 Javadoc 中的程式碼範例。
  • #886: 改進CharStore排序。
  • #894：新的遺傳運算子： ShiftMutator 、 ShuffleMutator和UniformOrderBasedCrossover 。
  • #895：改進預設的RandomGenerator選擇。使用的RandomGenerator會依照以下順序選擇：
    1. 檢查是否設定了io.jenetics.util.defaultRandomGenerator啟動參數。如果是這樣，請使用該發電機。
    2. 檢查L64X256MixRandom產生器是否可用。如果是這樣，請使用該發電機。
    3. 根據RandomGeneratorFactory.stateBits()值找到最佳可用隨機產生器。
    4. 如果找不到最佳產生器，請使用Random產生器。此生成器保證在每個平台上都可使用。

所有發行說明

執照

該程式庫根據 Apache 授權 2.0 版授權。 

 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.

使用過的軟體

展開
附加信息
相關應用
爲您推薦
相關資訊 全部