Professional Documents
Culture Documents
A Study On Genetic Algorithm and Its App
A Study On Genetic Algorithm and Its App
A Study On Genetic Algorithm and Its App
123*Khoa Khoa học Máy tính (PG), Trường Cao đẳng Khoa học và Nghệ thuật Kongunadu, Coimbatore, Ấn Độ
Ngày nhận:19/09/2016 Sửa đổi: 28/09/2016 Đã chấp nhận: 21/10/2016 Ngày phát hành: 31/10/2016
Tóm tắt— Để có được giải pháp tốt nhất, chúng ta cần có thước đo để phân biệt giải pháp tốt nhất với giải pháp tồi nhất. Thước đo có thể là thước đo
khách quan là mô hình thống kê hoặc mô phỏng hoặc có thể là thước đo chủ quan trong đó chúng ta chọn giải pháp tốt hơn giải pháp tồi tệ nhất. Ngoài
ra, hàm thích nghi còn xác định giải pháp tốt nhất cho một vấn đề nhất định, sau đó được GA sử dụng để hướng dẫn phát triển các giải pháp tốt nhất.
Bài báo này trình bày cách kết hợp GA với nhiều phương pháp và kỹ thuật khác để tìm ra lời giải tối ưu, tăng thời gian tính toán của hệ truy xuất và
ứng dụng thuật toán di truyền trong các lĩnh vực khác nhau.
Từ khóa- Thuật toán di truyền; Giải pháp tối ưu; Chức năng tập thể dục
I. GIỚI THIỆU
Hình 1. Sơ đồ hệ thống GA
II. Thuật toán di truyền
GA là chương trình máy tính mô phỏng sự di truyền và tiến hóa
Thuật toán di truyền (GA) là thuật toán tìm kiếm dựa trên
của các sinh vật sống [3]. Một giải pháp tối ưu có thể thực hiện
nguyên tắc chọn lọc tự nhiên và di truyền, được J Holland giới
được ngay cả đối với các hàm mục tiêu đa phương thức sử dụng GA
thiệu vào những năm 1970 và lấy cảm hứng từ sự tiến hóa sinh học
vì chúng là các phương pháp tìm kiếm đa điểm. Ngoài ra, GA còn có
của sinh vật sống. Các thuật toán di truyền trừu tượng hóa không
thể áp dụng cho các bài toán không gian tìm kiếm rời rạc. Do đó, GA
gian vấn đề như một quần thể gồm các cá thể và cố gắng khám phá cá
không chỉ rất dễ sử dụng mà còn là một công cụ tối ưu hóa rất mạnh
thể khỏe mạnh nhất bằng cách tạo ra các thế hệ lặp đi lặp lại. GA
mẽ [4]. Trong GA, không gian tìm kiếm bao gồm các chuỗi, mỗi chuỗi
phát triển một quần thể gồm các cá thể ban đầu thành một quần thể
đại diện cho một giải pháp ứng viên cho vấn đề và được gọi là nhiễm
gồm các cá thể có chất lượng cao, trong đó mỗi cá thể đại diện cho
sắc thể. Giá trị hàm mục tiêu của mỗi nhiễm sắc thể được gọi là
một giải pháp của vấn đề cần giải quyết. Chất lượng của mỗi quy giá trị thích nghi của nó.
tắc được đo bằng hàm thích hợp dưới dạng biểu thị định lượng về
Quần thể là một tập hợp các nhiễm sắc thể cùng với
mức độ thích ứng của từng quy tắc với một môi trường nhất định.
thể lực liên quan. Các thế hệ là các quần thể được tạo ra trong
Quy trình bắt đầu từ một quần thể ban đầu gồm các cá thể được tạo
một lần lặp của GA [5]. Thuật toán di truyền tìm kiếm trong không
ngẫu nhiên.
gian các lời giải ứng cử viên để xác định lời giải tốt nhất như sau:
Trong mỗi thế hệ, ba toán tử di truyền cơ bản được áp dụng tuần
Quy trình:
tự cho mỗi cá thể với những xác suất nhất định, tức là chọn lọc,
lai ghép và đột biến [3].
{ 1. [Bắt đầu] Tạo quần thể n nhiễm sắc thể ngẫu nhiên (giải pháp
*Tác giả tương ứng: L. Haldurai e- phù hợp cho vấn đề).
mail: haldurai@gmail.com
Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693
2. [Fitness] Đánh giá mức độ thích hợp f(x) của mỗi nhiễm sắc thể x trong 2) Lựa chọn thứ hạng
dân số. Phương pháp lựa chọn trước đó sẽ gặp vấn đề khi mức độ phù
3. [Quần thể mới] Tạo quần thể mới bằng cách lặp lại các bước sau cho hợp rất khác nhau. Ví dụ: nếu mức độ phù hợp của nhiễm sắc thể tốt nhất
đến khi quần thể mới hoàn tất a. [Chọn lọc] Chọn hai nhiễm là 90% trên toàn bộ bánh xe roulette thì các nhiễm sắc thể khác sẽ có
sắc thể bố mẹ từ quần thể theo mức độ thích hợp của chúng (sự phù hợp rất ít cơ hội được chọn. Lựa chọn thứ hạng trước tiên sẽ sắp xếp quần
càng tốt thì cơ hội được chọn càng lớn). b. [Chéo] Với xác suất lai
thể theo mức độ thích hợp và sau đó mỗi nhiễm sắc thể sẽ nhận được mức
chéo qua bố mẹ để hình thành con
độ thích hợp từ xếp hạng này.
cái mới (con). Nếu không thực hiện lai ghép thì con cái là bản sao
Loại kém nhất sẽ có độ thích hợp 1, độ thích nghi thứ hai là 2, v.v. và
chính xác của bố mẹ. c. [Đột biến] Với khả năng đột biến sẽ làm biến
loại tốt nhất sẽ có độ thích nghi N (số lượng nhiễm sắc thể trong quần thể).
đổi thế hệ con mới ở mỗi locus (vị trí trong nhiễm sắc thể).
Sau đó, tất cả các nhiễm sắc thể đều có cơ hội được chọn.
d. [Chấp nhận] Đưa con cái mới vào quần thể mới.
Xác suất để một nhiễm sắc thể được chọn khi đó tỷ lệ thuận với thứ hạng của
nó trong danh sách được sắp xếp này chứ không phải là mức độ phù hợp của nó.
Nhưng phương pháp này có thể dẫn đến sự hội tụ chậm hơn, vì các nhiễm
4. [Thay thế] Sử dụng quần thể mới được tạo để chạy thuật toán tiếp
sắc thể tốt nhất không khác biệt quá nhiều so với các nhiễm sắc thể khác.
theo.
5. [Kiểm tra] Nếu điều kiện cuối được thỏa mãn, dừng lại và trả về
3) Chọn lọc tinh hoa
giải pháp tốt nhất trong quần thể hiện tại.
Khi tạo ra quần thể mới bằng phương pháp lai ghép và đột
6. [Vòng lặp] Chuyển sang bước
biến; chúng ta có nguy cơ lớn là chúng ta sẽ mất đi nhiễm sắc thể tốt
2. }
nhất. Chủ nghĩa tinh hoa là tên của phương pháp sao chép nhiễm sắc
III. NGƯỜI ĐIỀU HÀNH GEN thể tốt nhất (hoặc một vài nhiễm sắc thể tốt nhất) đầu tiên sang quần
thể mới. Phần còn lại được thực hiện theo cách cổ điển. Chủ nghĩa tinh
GA tìm kiếm các giải pháp tốt hơn bằng các phép toán di truyền, bao
hoa có thể tăng hiệu suất của GA rất nhanh chóng, bởi vì nó ngăn ngừa
gồm phép toán chọn lọc , phép toán chéo và phép toán đột biến .
việc mất đi giải pháp tốt nhất được tìm thấy.
chọn giải đấu , chọn thứ hạng , chọn trạng thái ổn định , chọn lọc tinh cha mẹ nào đóng góp bit cho vị trí i được xác định bởi một chuỗi bổ
hoa và một số phương pháp khác. Một số trong số chúng sẽ được mô tả sung gọi là mặt nạ chéo. Hình 3.10 dưới đây minh họa ngắn gọn toán tử
ngay sau đây. chéo. Có ba loại toán tử chéo, cụ thể là chéo một điểm, hai điểm và
chéo thống nhất.
1) Lựa chọn vòng quay Roulette
Phụ huynh được lựa chọn theo khả năng của họ. Nhiễm sắc thể càng tốt
thì càng có nhiều cơ hội được lựa chọn.
1) Crossover một điểm Trong
Hãy tưởng tượng một bánh xe roulette nơi đặt tất cả các nhiễm sắc thể
crossover một điểm, mặt nạ chéo luôn được xây dựng sao cho nó
trong quần thể, mỗi nhiễm sắc thể có vị trí lớn tương ứng với chức
bắt đầu bằng một chuỗi chứa n số 1 liền kề, theo sau là số 0 cần thiết
năng thích hợp của nó như trên Hình 2. Nhiễm sắc thể có độ thích hợp
để hoàn thành chuỗi. Điều này dẫn đến con cái trong đó n bit đầu tiên
lớn hơn sẽ được chọn nhiều lần hơn.
được đóng góp bởi cha mẹ và các bit còn lại được đóng góp bởi cha mẹ
thứ hai. Mỗi lần áp dụng toán tử chéo điểm đơn, điểm chéo n được chọn
ngẫu nhiên, sau đó mặt nạ chéo được tạo và áp dụng. Để minh họa, hãy
xem xét toán tử lai điểm đơn ở đầu hình và xem xét toán tử trên cùng
của hai con trong trường hợp này. Con này lấy năm bit đầu tiên từ cha
mẹ thứ nhất và sáu bit còn lại từ cha mẹ thứ hai, bởi vì mặt nạ chéo
11111000000 chỉ định các lựa chọn này cho từng vị trí bit. Con thứ hai
sử dụng cùng một mặt nạ chéo nhưng chuyển đổi vai trò của
Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693
hai bố mẹ. Do đó, nó chứa các bit không được thế hệ con đầu tiên có một thành phần chấm điểm độ chính xác phân loại của quy tắc trên
sử dụng. một tập hợp các ví dụ đào tạo được cung cấp. Thông thường, các
tiêu chí khác cũng có thể được đưa vào, chẳng hạn như mức độ phức
2) Trao đổi hai điểm Trong tạp hoặc tính tổng quát của quy tắc. Tổng quát hơn, khi giả thuyết
lai ghép hai điểm, con cái được tạo ra bằng cách thay thế chuỗi bit được hiểu là một quy trình phức tạp (ví dụ: khi chuỗi
các đoạn trung gian của một cha mẹ vào giữa chuỗi cha mẹ thứ hai. bit biểu thị một tập hợp các quy tắc nếu-thì sẽ được xâu chuỗi lại
Nói cách khác, mặt nạ chéo là một chuỗi bắt đầu bằng n0 số 0, theo với nhau để điều khiển thiết bị robot), hàm thích nghi có thể đo
sau là một chuỗi liền kề gồm nl số 1, theo sau là số lượng số 0 hiệu suất tổng thể sau đó
thủ tục kết quả hơn là việc thực hiện các quy tắc riêng lẻ.
cần thiết để hoàn thành chuỗi. Mỗi lần áp dụng toán tử chéo hai
điểm, một mặt nạ được tạo ra bằng cách chọn ngẫu nhiên các số
nguyên n0 và nl. Ví dụ, trong ví dụ ở Hình 3.10, con cái được tạo
V. ĐÁNH GIÁ VĂN HỌC
ra bằng cách sử dụng mặt nạ có n0= 2 và nl = 5. Một lần nữa, hai
con con được tạo ra bằng cách chuyển đổi vai trò của hai bố mẹ.
Một thuật toán k-mean di truyền lai mới (GKA) [6] để tìm
phân vùng tối ưu toàn cầu của một dữ liệu nhất định thành một số
cụm được chỉ định. Toán tử chéo đắt tiền phá vỡ GA được đề xuất
được sử dụng để tạo ra các nhiễm sắc thể con hợp lệ từ nhiễm sắc
3) Crossover thống nhất
thể bố mẹ. Nó đã lai GA bằng cách sử dụng thuật toán giảm độ dốc
Crossover thống nhất kết hợp các bit được lấy mẫu thống
cổ điển được sử dụng trong phân cụm, tức là thuật toán K-mean.
nhất từ hai bit gốc, như minh họa trong Hình 3. Trong trường hợp
Trong thuật toán K-mean di truyền (GKA), toán tử K-mean được xác
này, mặt nạ chéo được tạo ra dưới dạng một chuỗi bit ngẫu nhiên
định và sử dụng làm toán tử tìm kiếm thay vì toán tử chéo. Nó định
với mỗi bit được chọn ngẫu nhiên và độc lập với các bit khác.
nghĩa một toán tử đột biến thiên vị dành riêng cho việc phân cụm
được gọi là đột biến dựa trên khoảng cách. Các tác giả đã sử dụng
lý thuyết chuỗi Markov hữu hạn để chứng minh rằng GKA được đề xuất
hội tụ về toàn cục
tối ưu. Người ta cũng nhận thấy rằng GKA tìm kiếm nhanh hơn một
số thuật toán tiến hóa khác được sử dụng để phân cụm.
Một phiên bản cải tiến của GKA được gọi là Thuật toán K-
mean di truyền nhanh (FGKA) đã được đề xuất trong [7].
GA được đề xuất có một số cải tiến so với GKA.
Rõ ràng từ các thí nghiệm trong [6] [7], thuật toán K-means có thể
hội tụ đến mức tối ưu cục bộ, cả FGKA và GKA luôn hội tụ về mức
tối ưu toàn cục. FGKA
khởi tạo quần thể thành P0 và thu được quần thể tiếp theo bằng
cách áp dụng các toán tử chọn lọc, lai ghép và đột biến và nó tiếp
tục phát triển cho đến khi đáp ứng một số điều kiện kết thúc. Các
chuỗi bất hợp pháp được cho phép trong FGKA trong giai đoạn khởi
tạo, nhưng được coi là giải pháp không mong muốn nhất bằng cách
Hình 3. Hoạt động chéo và đột biến
xác định tổng số biến thể trong cụm (TWCV) của chúng là vô cùng
(+∞). Bằng cách cho phép các chuỗi không hợp lệ, chi phí của chuỗi
C. Hoạt động đột biến Ngoài
không hợp lệ trong quá trình tiến hóa đã tránh được và do đó cải
các toán tử tái tổ hợp tạo ra thiện hiệu suất thời gian của thuật toán so với GKA.
con cái bằng cách kết hợp các bộ phận của hai bố mẹ, loại toán tử
thứ hai tạo ra con cái từ một bố mẹ duy nhất. Cụ thể, toán tử đột
Thuật toán K-mean di truyền tăng dần (IGKA) được đề xuất
biến tạo ra những thay đổi nhỏ ngẫu nhiên đối với chuỗi bit bằng
trong [8] là một phần mở rộng cho thuật toán phân cụm được đề xuất
cách chọn ngẫu nhiên một bit, sau đó thay đổi giá trị của nó. Đột
trước đó, Thuật toán K-mean di truyền nhanh (FGKA). Hiệu suất của
biến thường được thực hiện sau khi lai ghép như trong Hình 3.
IGKA được cho là tốt hơn khi xác suất đột biến nhỏ. IGKA dựa trên
việc tính toán Tổng biến thiên trong cụm (TWCV) và phân cụm các
trọng tâm tăng dần bất cứ khi nào xác suất đột biến nhỏ đối với
IV. CHỨC NĂNG THỂ DỤC
nhiệm vụ phân cụm. Giống như FGKA, IGKA cũng luôn hội tụ về mức
tối ưu toàn cục.
Hàm thích hợp xác định tiêu chí để xếp hạng các giả thuyết tiềm
năng và để lựa chọn chúng theo xác suất để đưa vào quần thể thế hệ
tiếp theo. Nếu nhiệm vụ là tìm hiểu các quy tắc phân loại thì hàm
thích nghi thường
Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693
Kỹ thuật phân cụm không giám sát dựa trên GA đã được đề xuất được tạo từ mô hình đã tạo sẽ được đưa đến GA được sử dụng để tìm
trong [9], kỹ thuật này chọn trung tâm cụm trực tiếp từ tập dữ liệu, đầu vào tương ứng để hoàn tất quá trình tự động hóa việc tạo trường
do đó tăng tốc quá trình đánh giá mức độ phù hợp bằng cách xây dựng hợp thử nghiệm từ miền đầu ra.
trước bảng tra cứu và tiết kiệm khoảng cách giữa tất cả các cặp điểm
Trong [16] giới thiệu thuật toán mới dựa trên thuật toán di
dữ liệu. . Biểu diễn nhị phân thay vì biểu diễn chuỗi được sử dụng để
truyền truyền thống, đối với thuật toán GA truyền thống, thuật toán mới
mã hóa số lượng trung tâm cụm thay đổi và các toán tử hiệu quả hơn để
đã thực hiện một số cải tiến: Bằng cách đưa ra chiến lược chọn lọc di
lựa chọn, chéo và đột biến đã được giới thiệu.
truyền, giảm khả năng bị mắc kẹt vào mức tối ưu cục bộ. So với thuật
toán di truyền truyền thống, thuật toán mới mở rộng không gian tìm kiếm
và độ phức tạp không cao. Bằng cách phân tích kết quả thử nghiệm tối
Một thuật toán phân cụm mới cho dữ liệu hỗn hợp đã được đề ưu hóa hàm benchmark, người ta kết luận rằng ở độ chính xác tối ưu
xuất trong [10]. Hầu hết các thuật toán phân cụm hiện tại chỉ hiệu quả hóa, thuật toán mới hiệu quả hơn thuật toán di truyền truyền thống.
đối với dữ liệu số thay vì tập dữ liệu hỗn hợp nhưng GA được đề xuất Chúng tôi cũng sử dụng thuật toán mới này để phân loại dữ liệu và kết
hoạt động hiệu quả đối với các tập dữ liệu có giá trị hỗn hợp bằng cách quả thử nghiệm cho thấy thuật toán đề xuất của chúng tôi vượt trội
sửa đổi hàm chi phí chung . hơn KNN với
Một thuật toán phân cụm dựa trên di truyền lai, được gọi là
Phân cụm HGA đã được đề xuất trong [11] để khám phá cách phân cụm các
sự chính xác.
tập dữ liệu thích hợp. Thuật toán này, với sự kết hợp của tiêu chí bảng
tính và khát vọng, đã đạt được sự hài hòa giữa đa dạng dân số và tốc Quản lý nguồn cung cấp nước ngầm đã nhận thấy AI và GA rất
độ hội tụ. hữu ích. [17] Đề xuất sử dụng GA để phù hợp với các thông số của mô
hình nhằm tối ưu hóa vị trí bơm và lịch trình xử lý nước ngầm. Sau
Một thuật toán di truyền đã được đề xuất trong [12] nhằm
đó, họ kết hợp GA với mạng thần kinh (NN) để mô hình hóa các hàm phản
thiết kế một thước đo độ khác biệt, được gọi là Đo khoảng cách di
hồi phức tạp trong GA [18]. Sau đó [19] kết hợp Ủ mô phỏng (SA) và GA
truyền (GDM) để cải thiện hiệu suất của thuật toán K-modes, một phần mở
để tối đa hóa hiệu quả và sử dụng tốt tính chất song song dễ áp dụng
rộng của k-mean.
của GA. Gần đây nhất, [20] cùng với Peralta đã sử dụng Pareto GA để sắp
Một cách tiếp cận mới về [13] lập chỉ mục song song việc xếp các giải pháp tối ưu để quản lý nguồn cung cấp nước mặt và nước
trích xuất màu sắc và tính năng của hình ảnh và thuật toán di truyền ngầm, cùng với chức năng xử phạt mờ trong khi sử dụng Mạng thần kinh
đã được triển khai. Chức năng chính của nó là kết hợp hình ảnh với nhân tạo (ANN) để mô hình hóa các hệ thống tầng chứa nước phức tạp
hình ảnh và mục đích sử dụng của nó là truy xuất hình ảnh tĩnh. Các trong hệ thống nước ngầm những phản hồi.
tiêu chí đánh giá do GA cung cấp và đã được sử dụng thành công như
một thước đo để đánh giá hiệu quả của quá trình truy xuất hình ảnh dựa
trên nội dung.
Các phương pháp tiến hóa cũng đã tìm được đường vào
Trong [14], PR Srivastava và Tai đã trình bày một phương thiết kế thí nghiệm hải dương học. Trong [21] đã chỉ ra rằng thuật
pháp tối ưu hóa hiệu quả kiểm thử phần mềm bằng cách xác định các cụm toán di truyền nhanh hơn quá trình ủ mô phỏng và chính xác hơn phương
đường dẫn quan trọng nhất trong một chương trình. SUT được chuyển pháp giải quyết vấn đề cụ thể để tối ưu hóa thiết kế của một thí
đổi thành CFG. Trọng số được gán cho các cạnh của CFG bằng cách áp nghiệm hải dương học. [22] nhận thấy rằng chiến lược lập trình tiến
dụng quy tắc 80-20. 80 phần trăm trọng số của tín dụng đến được trao hóa mạnh mẽ hơn các phương pháp truyền thống để định vị một loạt cảm
cho các vòng và nhánh và 20 phần trăm tín dụng còn lại được trao cho biến trong đại dương sau khi chúng trôi dạt khỏi vị trí triển khai
các cạnh trong đường dẫn tuần tự. Tổng các trọng số dọc theo các cạnh ban đầu.
bao gồm một đường dẫn sẽ xác định mức độ quan trọng của đường dẫn.
Tổng càng cao thì đường dẫn càng quan trọng và do đó phải được kiểm
CÁI CƯA. PHẦN KẾT LUẬN
tra trước các đường dẫn khác. Bằng cách này, bằng cách xác định hầu
hết các đường dẫn quan trọng phải được kiểm tra trước tiên, hiệu quả
Thuật toán di truyền được chứng minh là tốt hơn trong việc tìm kiếm
kiểm tra sẽ tăng lên.
các lĩnh vực có vấn đề phức tạp và thực tế. Thuật toán di truyền có khả
năng thích ứng với môi trường của chúng, vì loại phương pháp này là
Trong [15], Zhao đã sử dụng mạng lưới thần kinh và GA để nền tảng xuất hiện trong môi trường luôn thay đổi. Hiện tại các thuật
kiểm tra chức năng. Mạng nơ-ron được sử dụng để tạo ra một mô hình có toán này được áp dụng nhiều hơn. Một số cải tiến phải được thực hiện
thể được lấy làm chức năng thay thế cho SUT. để GA có thể được áp dụng rộng rãi hơn.
Sự nhấn mạnh vào các đầu ra thể hiện các tính năng quan trọng của SUT
so với đầu vào. Trong trường hợp đó, các ca kiểm thử nên được tạo từ NGƯỜI GIỚI THIỆU
miền đầu ra thay vì miền đầu vào. Mạng nơ-ron chuyển tiếp nguồn cấp dữ
liệu và thuật toán đào tạo lan truyền ngược được sử dụng để tạo mô [1] J. Holland, “Thích ứng trong các hệ thống tự nhiên và nhân tạo”, Nhà
hình. xuất bản Đại học Michigan, Ann Arbor, 1975.
Mạng nơ-ron được huấn luyện bằng cách mô phỏng SUT. Các kết quả đầu ra
Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693
[2] Noraini Mohd Razali, John Geraghty “Một hiệu suất thuật toán di Khoa học và Kỹ thuật Máy tính, Tập-04, Số-10, Trang số
truyền với các chiến lược chọn lọc khác nhau”, Kỷ yếu của Đại hội (10-18), Tháng 10 -2016
Thế giới về Kỹ thuật Tập II, 2011.
[19] Shieh, HJ. và RC Peralta,: Thiết kế hệ thống tối ưu cho quá
[3] DE Goldberg, “Thuật toán di truyền trong tìm kiếm, tối ưu hóa và học trình xử lý sinh học tại chỗ bằng thuật toán ủ di truyền.
máy, Reading, MA: Addison-Wesley, 1989. Trong nước ngầm: Tài nguyên có nguy cơ tuyệt chủng, Kỷ yếu
[4] Gaidhani, Chaitali R., Vedashree M. Deshpande, và Vrushali N. Bora. Chủ đề C, Nước cho cộng đồng toàn cầu đang thay đổi, Đại hội
"Chụp ảnh ẩn để ẩn tin nhắn bằng thuật toán di truyền." (2014). thường niên lần thứ 27 của Hiệp hội nghiên cứu thủy văn quốc
tế, trang 95-100, 1997.
[5] Radwan A., Latef B., Ali A., và Sadek O., “Sử dụng thuật toán di [20] Fayad, H, Ứng dụng mạng lưới thần kinh và thuật toán di truyền để
truyền để cải thiện hệ thống truy xuất thông tin”, Viện Hàn lâm giải quyết các vấn đề sử dụng nước kết hợp, Ph.D.
Khoa học và Công nghệ Kỹ thuật Thế giới, 17, Số-2, Trang số (6- Luận án, Đại học Bang Utah, 152 trang, 2001.
13), 2006. [21] Barth, H, Thiết kế thí nghiệm hải dương học II: Thuật toán di
[6] K. Krishna và MN Murty, “Thuật toán K-Means di truyền”, Giao dịch truyền, Tạp chí Công nghệ Khí quyển và Đại dương, 9, 1992, trang
IEEE trên Hệ thống, Con người và Điều khiển học—Phần B: CYBERNETICS, 434-443, 1992.
Tập. 29, số 3, tháng 6 năm 1999. [22] Porto, VW, DB Fogel và LJ Fogel, Các phương pháp đào tạo mạng thần
[7] Shrivastava, Animesh, và Singh Rajawat. "Việc triển khai thuật toán kinh thay thế, IEEE Expert Syst, tháng 6 năm 1995.
di truyền lai để phân cụm dữ liệu dựa trên hệ thống đề xuất web."
Int J Comput Sci Eng 2.4 (2014): 6-11. Hồ sơ tác giả
[15] Ruilian zhao, shanshan lv, “Tạo các trường hợp thử nghiệm dựa trên
mạng thần kinh bằng thuật toán di truyền” Hội nghị chuyên đề quốc
tế lần thứ 13 của IEEE về điện toán đáng tin cậy của Pacific Rim.
IEEE, tr.97 – 100, 2007.