Publication

Incremental Evolution with Minimal Resources

Dario Floreano, Riadh Abbas
1999
Conference Papers

Résumé

This paper describes an evolutionary algorithm based on a statistical representation of populations of individuals. Experiments on robot navigation and on numerical fitness functions are presented in order to measure the performance of the algorithm compared to traditional genetic algorithms. Results show that the method is suitable for onboard online evolution because it requires low amount of memory resources. Furthermore, it allows for incremental evolution in dynamic environments in order to cope with complex tasks that require several evolutionary stages.

Source officielle

https://infoscience.epfl.ch/entities/publication/d9071faf-7674-4d12-8573-d9c8cfdaca69

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dario Floreano, Riadh Abbas
1999
Conference Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/d9071faf-7674-4d12-8573-d9c8cfdaca69

À propos de ce résultat

Concepts associés (32)

Algorithme évolutionniste

vignette|redresse=1.2|Un algorithme évolutionnaire utilise itérativement des opérateurs de sélections (en bleu) et de variation (en jaune). i : initialisation, f(X) : évaluation, ? : critère d'arrêt, Se : sélection, Cr : croisement, Mu : mutation, Re : remplacement, X* : optimum. Les algorithmes évolutionnistes ou algorithmes évolutionnaires (evolutionary algorithms en anglais), sont une famille d'algorithmes dont le principe s'inspire de la théorie de l'évolution pour résoudre des problèmes divers.

Algorithme génétique

Les algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Leur but est d'obtenir une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps raisonnable. Les algorithmes génétiques utilisent la notion de sélection naturelle et l'appliquent à une population de solutions potentielles au problème donné.

Crossover (genetic algorithm)

In genetic algorithms and evolutionary computation, crossover, also called recombination, is a genetic operator used to combine the genetic information of two parents to generate new offspring. It is one way to stochastically generate new solutions from an existing population, and is analogous to the crossover that happens during sexual reproduction in biology. Solutions can also be generated by cloning an existing solution, which is analogous to asexual reproduction. Newly generated solutions may be mutated before being added to the population.

Afficher plus

Publications associées (32)

Afficher plus

Incremental Evolution with Minimal Resources

Chattez avec Graph Search

Variational subspace methods and application to improving variational Monte Carlo dynamics

FairTree: Subgroup Fairness Auditing of Machine Learning Models with Bias-Variance Decomposition

Probabilistic Methods for Joint Eigenvalue Problems with Applications