Hesaplamalı zekada (CI), evrimsel bir algoritma (EA), evrimsel hesaplamanın bir alt kümesidir,[1] genel bir popülasyon tabanlı metasezgisel optimizasyon algoritmasıdır. Bir EA, üreme, mutasyon, rekombinasyon ve seçim gibi biyolojik evrimden ilham alan mekanizmaları kullanır. Optimizasyon probleminin aday çözümleri, bir popülasyondaki bireylerin rolünü oynar ve uygunluk fonksiyonu, çözümlerin kalitesini belirler (ayrıca bkz. kayıp fonksiyonu). Nüfusun evrimi, yukarıdaki operatörlerin tekrar tekrar uygulanmasından sonra gerçekleşir.
Evrimsel algoritmalar, ideal olarak altta yatan uygunluk ortamı hakkında herhangi bir varsayımda bulunmadıklarından, genellikle her tür soruna iyi yaklaşan çözümler gerçekleştirir. Biyolojik evrimin modellenmesine uygulanan evrimsel algoritmalardan elde edilen teknikler genellikle mikroevrimsel süreçlerin keşifleri ve hücresel süreçlere dayalı planlama modelleri ile sınırlıdır. EA’ların çoğu gerçek uygulamasında, hesaplama karmaşıklığı engelleyici bir faktördür.[2] Aslında, bu hesaplama karmaşıklığı uygunluk fonksiyonu değerlendirmesinden kaynaklanmaktadır. Uygunluk yaklaşımı, bu zorluğun üstesinden gelmenin çözümlerinden biridir. Bununla birlikte, görünüşte basit olan EA genellikle karmaşık sorunları çözebilir; bu nedenle, algoritma karmaşıklığı ile problem karmaşıklığı arasında doğrudan bir bağlantı olmayabilir.
Uygulama
Aşağıda, genel tek amaçlı bir genetik algoritma örneği verilmiştir.
Birinci Adım: Bireylerin ilk popülasyonunu rastgele oluşturun. (Birinci nesil)
İkinci Adım: Sonlandırmaya kadar aşağıdaki rejenerasyon adımlarını tekrarlayın:
Popülasyondaki her bireyin uygunluğunu değerlendirin (zaman sınırı, elde edilen yeterli uygunluk vb.)
Üreme için en uygun bireyleri seçin. (Ebeveynler)
Yavruları doğurmak için çaprazlama ve mutasyon işlemleri yoluyla yeni bireyler yetiştirin.
Popülasyonun en az uygun bireylerini yeni bireylerle değiştirin.
Türler
Benzer teknikler, genetik temsil ve diğer uygulama detayları ve uygulanan belirli problemin doğası bakımından farklılık gösterir.
- Genetik algoritma – Bu, en popüler EA türüdür. Bir problemin çözümü, rekombinasyon ve mutasyon gibi operatörler (bazen bir, bazen ikisi). Bu tür EA genellikle optimizasyon problemlerinde kullanılır.
- Genetik programlama – Burada çözümler bilgisayar programları biçimindedir ve uygunlukları, bir hesaplama problemini çözme yetenekleriyle belirlenir. Kartezyen genetik programlama, gen ifade programlama, gramer evrimi, doğrusal genetik programlama, çoklu ifade programlama vb. dahil olmak üzere Genetik Programlamanın birçok çeşidi vardır.
- Evrimsel programlama – Genetik programlamaya benzer, ancak programın yapısı sabittir ve sayısal parametrelerinin gelişmesine izin verilir.
- Evrim stratejisi – Çözümlerin temsili olarak gerçek sayıların vektörleriyle çalışır ve tipik olarak kendi kendine uyarlanan mutasyon oranlarını kullanır. Kombinatoryal görevler için varyantlar olmasına rağmen, yöntem esas olarak sayısal optimizasyon için kullanılır.[6][7]
- Diferansiyel evrim – Vektör farklılıklarına dayalıdır ve bu nedenle öncelikle sayısal optimizasyon problemleri için uygundur.
- Nöroevrim – Genetik programlamaya benzer, ancak genomlar, yapı ve bağlantı ağırlıklarını tanımlayarak yapay sinir ağlarını temsil eder. Genom kodlaması doğrudan veya dolaylı olabilir.
- Öğrenme sınıflandırıcı sistemi – Burada çözüm, bir dizi sınıflandırıcıdır (kurallar veya koşullar). Bir Michigan-LCS, bireysel sınıflandırıcılar düzeyinde gelişirken, bir Pittsburgh-LCS, sınıflandırıcı kümelerinin popülasyonlarını kullanır. Başlangıçta, sınıflandırıcılar yalnızca ikili idi, ancak şimdi gerçek, sinir ağı veya S-ifade türlerini içeriyor. Uygunluk, tipik olarak, kuvvete veya doğruluğa dayalı takviyeli öğrenme veya denetimli öğrenme yaklaşımı ile belirlenir.
Teorik arka plan
Aşağıdaki teorik ilkeler, tüm veya neredeyse tüm EA’lar için geçerlidir.
Bedava öğle yemeği yok teorisi
Ücretsiz öğle yemeği optimizasyonu teorisi, tüm optimizasyon problemlerinin kümesi dikkate alındığında, tüm optimizasyon stratejilerinin eşit derecede etkili olduğunu belirtir. Aynı koşul altında, hiçbir evrimsel algoritma temelde bir diğerinden daha iyi değildir. Bu, yalnızca tüm sorunların kümesi kısıtlanmışsa geçerli olabilir. Uygulamada kaçınılmaz olarak yapılan da tam olarak budur. Bu nedenle, bir EA’yı geliştirmek için problem bilgisinden bir şekilde yararlanmalıdır (örneğin, belirli bir mutasyon gücü veya probleme uyarlanmış bir kodlama seçerek). Böylece, iki EA karşılaştırıldığında, bu kısıtlama ima edilir. Buna ek olarak, bir EA, örneğin, tüm başlangıç popülasyonunu rasgele oluşturmayarak, ancak buluşsal yöntemler veya diğer prosedürler yoluyla bazı bireyler oluşturarak, soruna özgü bilgileri kullanabilir.[8][9] Bir EA’yı belirli bir problem alanına uyarlamak için başka bir olasılık, yavru üretme sürecinde uygun buluşsal yöntemleri, yerel arama prosedürlerini veya problemle ilgili diğer prosedürleri dahil etmektir. Bir EA’nın bu şekilde genişletilmesi memetik algoritma olarak da bilinir. Her iki uzantı da arama sürecini hızlandırabildikleri ve daha sağlam hale getirebildikleri için pratik uygulamalarda önemli bir rol oynar.[8][10]
Yakınsama
Çocuğa ek olarak, sonraki nesli (sözde seçkinci EA’lar) oluşturmak için ebeveyn neslin en iyi bireyinin kullanıldığı EA’lar için, bir optimumun var olması koşuluyla genel bir yakınsama kanıtı vardır. Genelliği kaybetmeden, kanıt için maksimum arama varsayılır:
Seçkin yavru kabulünün özelliğinden ve optimumun varlığından, k nesli başına ilgili en iyi birey x’in uygunluk F’sinde P > 0 olasılıkla bir iyileşme olacağı sonucu çıkar. Böylece:
Yani, uygunluk değerleri, optimumun varlığı nedeniyle sınırlanan, monoton olarak azalmayan bir diziyi temsil eder. Bundan, dizinin optimuma karşı yakınsaması gelir.
Kanıt, yakınsama hızı hakkında herhangi bir açıklama yapmadığından, EA’ların pratik uygulamalarında çok az yardımcı olur. Ancak seçkinci EA’ların kullanılması önerisini haklı çıkarıyor. Bununla birlikte, olağan panmiktik nüfus modelini kullanırken, elitist EA’lar, elitist olmayanlara göre daha erken yakınsama eğilimindedir.[11] Panmiktik bir popülasyon modelinde, eş seçimi (uygulama ile ilgili bölümün 2. adımı), tüm popülasyondaki her bireyin bir eş olarak uygun olacağı şekildedir. Panmik olmayan popülasyonlarda, seçilim uygun şekilde kısıtlanır, böylece panmiktik olanlara kıyasla daha iyi bireylerin dağılma hızı azalır. Bu nedenle, elitist EA’ların erken yakınsama genel riski, eş seçimini kısıtlayan uygun popülasyon modelleri tarafından önemli ölçüde azaltılabilir.[12][13]
Sanal alfabeler
David E. Goldberg, 1990’da sanal alfabeler teorisiyle, gerçek sayılarla bir temsil kullanarak, klasik yeniden birleştirme operatörlerini (örneğin, tek tip veya n-noktalı çaprazlama) kullanan bir EA’nın arama uzayının belirli alanlarına ulaşamayacağını gösterdi. ikili sayılarla bir kodlamaya.[14] Bu, gerçek temsili olan EA’lar için yeniden birleştirme için aritmetik işleçler kullanma önerisiyle sonuçlanır (örneğin, aritmetik ortalama veya ara yeniden birleştirme). Uygun operatörlerle, önceki görüşün aksine, gerçek değerli gösterimler ikili gösterimlerden daha etkilidir.[15][16]
Biyolojik süreçlerle karşılaştırma
Pek çok evrimsel algoritmanın [kime göre?] olası bir sınırlaması, net bir genotip-fenotip ayrımının olmamasıdır. Doğada, döllenmiş yumurta hücresi, olgun bir fenotip haline gelmek için embriyogenez olarak bilinen karmaşık bir süreçten geçer. Bu dolaylı kodlamanın, genetik aramayı daha güçlü hale getirdiğine (yani ölümcül mutasyon olasılığını azalttığına) ve ayrıca organizmanın evrilebilirliğini artırabileceğine inanılmaktadır.[17][18] Bu tür dolaylı (üretken veya gelişimsel olarak da bilinir) kodlamalar, evrimin çevredeki düzenliliği kullanmasına da olanak tanır.[19] Yapay embriyojeni veya yapay gelişim sistemleri alanındaki son çalışmalar, bu endişeleri gidermeye çalışıyor. Ve gen ifade programlaması, genotipin sabit uzunlukta lineer multigenik kromozomlardan oluştuğu ve fenotipin çoklu ifade ağaçlarından veya farklı boyut ve şekillerdeki bilgisayar programlarından oluştuğu bir genotip-fenotip sistemini başarıyla araştırır.[20]
Uygulamalar
Evrimsel algoritmaların pratik olarak kullanıldığı alanlar neredeyse sınırsızdır[5] ve endüstri[21][22], mühendislik[2][3][23], karmaşık planlama[4][24][25], tarım [26] ve araştırma[29][30] ve sanat için finans[27][28]. Evrimsel bir algoritmanın uygulanması, deneyimsiz kullanıcıların biraz yeniden düşünmesini gerektirir, çünkü bir EA kullanan bir göreve yaklaşım geleneksel kesin yöntemlerden farklıdır ve bu genellikle mühendislerin veya diğer disiplinlerin müfredatının bir parçası değildir. Örneğin, uygunluk hesaplaması yalnızca hedefi formüle etmekle kalmamalı, aynı zamanda ona yönelik evrimsel arama sürecini de desteklemelidir, örn. henüz orijinal kalite kriterlerinin daha iyi değerlendirilmesine yol açmayan iyileştirmeleri ödüllendirerek. Örneğin, bir çizelgeleme görevinde personel dağıtımı veya enerji tüketimi gibi kaynakların en yüksek kullanımından kaçınılacaksa, maksimum kullanımı değerlendirmek yeterli değildir. Bunun yerine, gerçek maksimum tepe değerinin altındaki düşüşleri ödüllendirmek için hala kabul edilebilir bir seviyenin aşılma sayısı ve süresi de kaydedilmelidir.[31] Bu nedenle, yeni başlayanlara yönelik ve bir uygulama projesini başarıya götürmenin yanı sıra başlangıç seviyesindekilerin hatalarından kaçınmaya yardımcı olmak isteyen bazı yayınlar vardır.[31][32][33] Bu, bir sorunu çözmek için bir EA’nın ne zaman kullanılması gerektiği ve ne zaman kullanmamanın daha iyi olduğu konusundaki temel sorunun açıklığa kavuşturulmasını içerir.
İlgili teknikler
Sürü algoritmaları şunları içerir:
Karınca kolonisi optimizasyonu, yolları oluşturmak için feromon iletişimi yoluyla karınca arama fikirlerine dayanır.[34] Öncelikle kombinatoryal optimizasyon ve grafik problemleri için uygundur.
Yolluk-kök algoritması (RRA), yollukların ve bitki köklerinin doğadaki işlevlerinden esinlenmiştir.[35]
Yapay arı kolonisi algoritması, bal arısının yiyecek arama davranışına dayanır. Öncelikle sayısal optimizasyon için önerildi ve kombinatoryal, kısıtlı ve çok amaçlı optimizasyon problemlerini çözmek için genişletildi.
Arı algoritması, bal arılarının yiyecek arama davranışına dayanmaktadır. Yönlendirme ve çizelgeleme gibi birçok uygulamada uygulanmıştır.
Guguk kuşu arama, guguk türünün kara kara düşünen asalaklığından esinlenmiştir. Ayrıca Lévy uçuşlarını kullanır ve bu nedenle küresel optimizasyon problemlerine uygundur.
Parçacık sürüsü optimizasyonu, hayvan sürüsü davranışına ilişkin fikirlere dayanır.[34] Ayrıca öncelikle sayısal optimizasyon problemleri için uygundur.
Diğer popülasyona dayalı metasezgisel yöntemler
Avlanma Araması – Kurtlar gibi bazı hayvanların, her biri diğerinin ve özellikle de liderinin konumuna göre avını çevrelemek için konumlarını düzenleyen grup avından ilham alan bir yöntem. Bir kombinatoryal optimizasyon yöntemi olarak uyarlanmış bir sürekli optimizasyon yöntemidir[36].[37]
Uyarlanabilir boyutlu arama – Doğadan ilham alan metasezgisel tekniklerin aksine, uyarlanabilir bir boyutsal arama algoritması, temel ilke olarak herhangi bir metafor uygulamaz. Bunun yerine, her yinelemede arama boyutsallık oranı (SDR) parametresinin güncellenmesine dayalı, performans odaklı basit bir yöntem kullanır.[38]
Ateş böceği algoritması, yanıp sönen ışıkla birbirlerini çeken ateş böceklerinin davranışlarından esinlenmiştir. Bu, özellikle çok modlu optimizasyon için kullanışlıdır.
Armoni arama – Müzisyenlerin daha iyi armoniler arama konusundaki davranışlarına ilişkin fikirlere dayanır. Bu algoritma kombinatoryal optimizasyon ve parametre optimizasyonu için uygundur.
Gauss uyarlaması – Bilgi teorisine dayalıdır. Üretim veriminin, ortalama uygunluğun veya ortalama bilginin maksimize edilmesi için kullanılır. Örneğin termodinamik ve bilgi teorisinde Entropi’ye bakın.
Memetik algoritma – Richard Dawkins’in mem kavramından esinlenen hibrit bir yöntem, genellikle yerel iyileştirmeler yapabilen bireysel öğrenme prosedürleriyle birleştirilmiş popülasyon tabanlı bir algoritma şeklini alır. Probleme özgü bilginin kullanılmasına vurgu yapar ve yerel ve küresel aramayı sinerjik bir şekilde düzenlemeye çalışır.
Örnekler
2020’de Google, AutoML-Zero’nun sinir ağları kavramı gibi klasik algoritmaları başarıyla yeniden keşfedebileceğini belirtti.[39]
Bilgisayar simülasyonları Tierra ve Avida, makroevrimsel dinamikleri modellemeye çalışır.
Kaynaklar:
https://en.wikipedia.org/wiki/Evolutionary_algorithm
Wiki Kaynaklar:
1)Vikhar, P. A. (2016). “Evolutionary algorithms: A critical review and its future prospects”. Proceedings of the 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). Jalgaon: 261–265. doi:10.1109/ICGTSPICC.2016.7955308. ISBN 978-1-5090-0467-6. S2CID 22100336.
2)Cohoon, J; et al. (2002-11-26). Evolutionary algorithms for the physical design of VLSI circuits (PDF). Advances in Evolutionary Computing: Theory and Applications. Springer, pp. 683-712, 2003. ISBN 978-3-540-43330-9.
3)Slowik, Adam; Kwasnicka, Halina (2020). “Evolutionary algorithms and their applications to engineering problems”. Neural Computing and Applications. 32 (16): 12363–12379. doi:10.1007/s00521-020-04832-8. ISSN 0941-0643.
4)Mika, Marek; Waligóra, Grzegorz; Węglarz, Jan (2011). “Modelling and solving grid resource allocation problem with network resources for workflow applications”. Journal of Scheduling. 14 (3): 291–306. doi:10.1007/s10951-009-0158-0. ISSN 1094-6136.
5)”International Conference on the Applications of Evolutionary Computation”. The conference is part of the Evo* series. The conference proceedings are published by Springer. Retrieved 2022-12-23.
6)Nissen, Volker; Krause, Matthias (1994), Reusch, Bernd (ed.), “Constrained Combinatorial Optimization with an Evolution Strategy”, Fuzzy Logik, Berlin, Heidelberg: Springer: 33–40, doi:10.1007/978-3-642-79386-8_5, ISBN 978-3-642-79386-8
7)Coelho, V. N.; Coelho, I. M.; Souza, M. J. F.; Oliveira, T. A.; Cota, L. P.; Haddad, M. N.; Mladenovic, N.; Silva, R. C. P.; Guimarães, F. G. (2016). “Hybrid Self-Adaptive Evolution Strategies Guided by Neighborhood Structures for Combinatorial Optimization Problems”. Evol Comput. 24 (4): 637–666. doi:10.1162/EVCO_a_00187.
8)Davis, Lawrence (1991). Handbook of genetic algorithms. New York: Van Nostrand Reinhold. ISBN 0-442-00173-8. OCLC 23081440.
9)Lienig, Jens; Brandt, Holger (1994), Davidor, Yuval; Schwefel, Hans-Paul; Männer, Reinhard (eds.), “An evolutionary algorithm for the routing of multi-chip modules”, Parallel Problem Solving from Nature — PPSN III, Berlin, Heidelberg: Springer, vol. 866, pp. 588–597, doi:10.1007/3-540-58484-6_301, ISBN 978-3-540-58484-1, retrieved 2022-10-18
10)Neri, Ferrante; Cotta, Carlos; Moscato, Pablo, eds. (2012). Handbook of Memetic Algorithms. Studies in Computational Intelligence. Vol. 379. Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-23247-3. ISBN 978-3-642-23246-6.
11)Leung, Yee; Gao, Yong; Xu, Zong-Ben (1997). “Degree of population diversity – a perspective on premature convergence in genetic algorithms and its Markov chain analysis”. IEEE Transactions on Neural Networks. 8 (5): 1165–1176. doi:10.1109/72.623217. ISSN 1045-9227.
12)Gorges-Schleuter, Martina (1998), Eiben, Agoston E.; Bäck, Thomas; Schoenauer, Marc; Schwefel, Hans-Paul (eds.), “A comparative study of global and local selection in evolution strategies”, Parallel Problem Solving from Nature — PPSN V, Berlin, Heidelberg: Springer Berlin Heidelberg, vol. 1498, pp. 367–377, doi:10.1007/bfb0056879, ISBN 978-3-540-65078-2, retrieved 2022-10-21
13)Dorronsoro, Bernabe; Alba, Enrique (2008). Cellular Genetic Algorithms. Operations Research/Computer Science Interfaces Series. Vol. 42. Boston, MA: Springer US. doi:10.1007/978-0-387-77610-1. ISBN 978-0-387-77609-5.
14)Goldberg, David E. (1990), Schwefel, Hans-Paul; Männer, Reinhard (eds.), “The theory of virtual alphabets”, Parallel Problem Solving from Nature, Berlin/Heidelberg: Springer-Verlag (published 1991), vol. 496, pp. 13–22, doi:10.1007/bfb0029726, ISBN 978-3-540-54148-6, retrieved 2022-10-22
15)Stender, J.; Hillebrand, E.; Kingdon, J. (1994). Genetic algorithms in optimisation, simulation, and modelling. Amsterdam: IOS Press. ISBN 90-5199-180-0. OCLC 47216370.
16)Michalewicz, Zbigniew (1996). Genetic Algorithms + Data Structures = Evolution Programs (3rd ed.). Berlin Heidelberg: Springer. ISBN 978-3-662-03315-9. OCLC 851375253.
17)G.S. Hornby and J.B. Pollack. “Creating high-level components with a generative representation for body-brain evolution”. Artificial Life, 8(3):223–246, 2002.
18)Jeff Clune, Benjamin Beckmann, Charles Ofria, and Robert Pennock. “Evolving Coordinated Quadruped Gaits with the HyperNEAT Generative Encoding” Archived 2016-06-03 at the Wayback Machine. Proceedings of the IEEE Congress on Evolutionary Computing Special Section on Evolutionary Robotics, 2009. Trondheim, Norway.
19)J. Clune, C. Ofria, and R. T. Pennock, “How a generative encoding fares as problem-regularity decreases”, in PPSN (G. Rudolph, T. Jansen, S. M. Lucas, C. Poloni, and N. Beume, eds.), vol. 5199 of Lecture Notes in Computer Science, pp. 358–367, Springer, 2008.
20)Ferreira, C., 2001. “Gene Expression Programming: A New Adaptive Algorithm for Solving Problems”. Complex Systems, Vol. 13, issue 2: 87–129.
21)Sanchez, Ernesto; Squillero, Giovanni; Tonda, Alberto (2012). Industrial Applications of Evolutionary Algorithms. Intelligent Systems Reference Library. Vol. 34. Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-27467-1. ISBN 978-3-642-27466-4.
22)Evolutionary algorithms in engineering and computer science : recent advances in genetic algorithms, evolution strategies, evolutionary programming, genetic programming, and industrial applications. Kaisa Miettinen. Chichester: Wiley. 1999. ISBN 0-585-29445-3. OCLC 45728460.
23)Gen, Mitsuo; Cheng, Runwei (1999-12-17). Genetic Algorithms and Engineering Optimization. Wiley Series in Engineering Design and Automation. Hoboken, NJ, USA: John Wiley & Sons, Inc. doi:10.1002/9780470172261. ISBN 978-0-470-17226-1.
24)Dahal, Keshav P.; Tan, Kay Chen; Cowling, Peter I. (2007). Evolutionary scheduling. Berlin: Springer. doi:10.1007/978-3-540-48584-1. ISBN 978-3-540-48584-1.
25)Jakob, Wilfried; Strack, Sylvia; Quinte, Alexander; Bengel, Günther; Stucky, Karl-Uwe; Süß, Wolfgang (2013-04-22). “Fast Rescheduling of Multiple Workflows to Constrained Heterogeneous Resources Using Multi-Criteria Memetic Computing”. Algorithms. 6 (2): 245–277. doi:10.3390/a6020245. ISSN 1999-4893.
26)Mayer, David G. (2002). Evolutionary Algorithms and Agricultural Systems. Boston, MA: Springer US. doi:10.1007/978-1-4615-1717-7. ISBN 978-1-4613-5693-6.
27)Aranha, Claus; Iba, Hitoshi (2008), Wobcke, Wayne; Zhang, Mengjie (eds.), “Application of a Memetic Algorithm to the Portfolio Optimization Problem”, AI 2008: Advances in Artificial Intelligence, Berlin, Heidelberg: Springer Berlin Heidelberg, vol. 5360, pp. 512–521, doi:10.1007/978-3-540-89378-3_52, ISBN 978-3-540-89377-6, retrieved 2022-12-23
28)Chen, Shu-Heng, ed. (2002). Evolutionary Computation in Economics and Finance. Studies in Fuzziness and Soft Computing. Vol. 100. Heidelberg: Physica-Verlag HD. doi:10.1007/978-3-7908-1784-3. ISBN 978-3-7908-2512-1.
29)Lohn, J.D.; Linden, D.S.; Hornby, G.S.; Kraus, W.F. (June 2004). “Evolutionary design of an X-band antenna for NASA’s Space Technology 5 mission”. IEEE Antennas and Propagation Society Symposium, 2004. 3: 2313–2316 Vol.3. doi:10.1109/APS.2004.1331834.
30)Fogel, Gary; Corne, David (2003). Evolutionary Computation in Bioinformatics. Elsevier. doi:10.1016/b978-1-55860-797-2.x5000-8. ISBN 978-1-55860-797-2.
31)Jakob, Wilfried (2021), Applying Evolutionary Algorithms Successfully – A Guide Gained from Realworld Applications, KIT Scientific Working Papers, vol. 170, Karlsruhe, FRG: KIT Scientific Publishing, arXiv:2107.11300, doi:10.5445/IR/1000135763, retrieved 2022-12-23
32)Whitley, Darrell (2001). “An overview of evolutionary algorithms: practical issues and common pitfalls”. Information and Software Technology. 43 (14): 817–831. doi:10.1016/S0950-5849(01)00188-4.
33)Eiben, A.E.; Smith, J.E. (2015). “Working with Evolutionary Algorithms”. Introduction to Evolutionary Computing. Natural Computing Series (2nd ed.). Berlin, Heidelberg: Springer Berlin Heidelberg. pp. 147–163. doi:10.1007/978-3-662-44874-8. ISBN 978-3-662-44873-1.
34)Slowik, Adam; Kwasnicka, Halina (2018). “Nature Inspired Methods and Their Industry Applications—Swarm Intelligence Algorithms”. IEEE Transactions on Industrial Informatics. Institute of Electrical and Electronics Engineers (IEEE). 14 (3): 1004–1015. doi:10.1109/tii.2017.2786782. ISSN 1551-3203. S2CID 3707290.
35)F. Merrikh-Bayat, “The runner-root algorithm: A metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature”, Applied Soft Computing, Vol. 33, pp. 292–303, 2015
36)Oftadeh, R.; Mahjoob, M.J.; Shariatpanahi, M. (October 2010). “A novel meta-heuristic optimization algorithm inspired by group hunting of animals: Hunting search”. Computers & Mathematics with Applications. 60 (7): 2087–2098. doi:10.1016/j.camwa.2010.07.049.
37)Amine Agharghor; Mohammed Essaid Riffi (2017). “First Adaptation of Hunting Search Algorithm for the Quadratic Assignment Problem”. Europe and MENA Cooperation Advances in Information and Communication Technologies. Advances in Intelligent Systems and Computing. 520: 263–267. doi:10.1007/978-3-319-46568-5_27. ISBN 978-3-319-46567-8.
38)Hasançebi, O., Kazemzadeh Azad, S. (2015), “Adaptive Dimensional Search: A New Metaheuristic Algorithm for Discrete Truss Sizing Optimization”, Computers and Structures, 154, 1–16.
39)Gent, Edd (13 April 2020). “Artificial intelligence is evolving all by itself”. Science | AAAS. Archived from the original on 16 April 2020. Retrieved 16 April 2020.
40)Simionescu, P.A.; Dozier, G.V.; Wainwright, R.L. (2006). “A Two-Population Evolutionary Algorithm for Constrained Optimization Problems”. 2006 IEEE International Conference on Evolutionary Computation. Vancouver, BC, Canada: IEEE: 1647–1653. doi:10.1109/CEC.2006.1688506. ISBN 978-0-7803-9487-2.
41)Simionescu, P.A.; Dozier, G.V.; Wainwright, R.L. (2006). “A Two-Population Evolutionary Algorithm for Constrained Optimization Problems” (PDF). 2006 IEEE International Conference on Evolutionary Computation. Proc 2006 IEEE International Conference on Evolutionary Computation. Vancouver, Canada. pp. 1647–1653. doi:10.1109/CEC.2006.1688506. ISBN 0-7803-9487-9. S2CID 1717817. Retrieved 7 January 2017.
42)Simionescu, P.A. (2014). Computer Aided Graphing and Simulation Tools for AutoCAD Users (1st ed.). Boca Raton, FL: CRC Press. ISBN 978-1-4822-5290-3.
