Алгоритм полета

История

Алгоритм полета — это тип совместной эволюции, основанный на парижском подходе. ^[1] Алгоритм полета был впервые разработан в 1999 году в рамках применения эволюционных алгоритмов к компьютерному стереозрению . ^[2]^[3] В отличие от классического подхода к стереозрению, основанного на изображениях, который извлекает примитивы изображения, а затем сопоставляет их для получения трехмерной информации, агоритм полета основан на прямом исследовании трехмерного пространства сцены. Муха определяется как трехмерная точка, описываемая ее координатами ( x , y , z ). После того, как случайная популяция мух была создана в пространстве поиска, соответствующем полю обзора камер, для ее эволюции (на основе парадигмы Эволюционной стратегии) использовалась фитнес-функция , которая оценивает, насколько вероятно, что муха лежит на видимой поверхности. объект, основанный на согласованности проекций его изображений. С этой целью фитнес-функция использует уровни серого, цвета и/или текстуры рассчитанных проекций мух.

Первой областью применения алгоритма Fly было стереозрение. ^[2]^[3]^[4]^[5] В то время как классические подходы с приоритетом изображения используют сопоставление функций стереоизображений для построения трехмерной модели, алгоритм Fly непосредственно исследует трехмерное пространство и использует данные изображения для оценки достоверности трехмерных гипотез. Вариант под названием «Динамические мухи» определяет мушку как 6-кратное число ( x , y , z , x' , y' , z' ), включающее скорость мухи. ^[6]^[7] Компоненты скорости явно не учитываются при расчете приспособленности, но используются при обновлении положений мух и подчиняются аналогичным генетическим операторам (мутация, кроссинговер).

Применение мух для обхода препятствий на транспортных средствах ^[8] использует тот факт, что популяция мух представляет собой совместимое со временем, квазинепрерывно развивающееся представление сцены, чтобы напрямую генерировать сигналы управления транспортным средством от мух. Использование алгоритма полета не ограничивается строго стереоизображениями, поскольку могут быть добавлены другие датчики (например, акустические датчики приближения и т. д.) в качестве дополнительных элементов оптимизируемой фитнес-функции. Информация одометрии также может использоваться для ускорения обновления местоположения мух, и, наоборот, положения мух могут использоваться для предоставления информации о локализации и картографии. ^[9]

Другая область применения алгоритма Fly — реконструкция эмиссионной томографии в ядерной медицине . Алгоритм Флай успешно применяется в однофотонной эмиссионной компьютерной томографии. ^[10] и позитронно-эмиссионная томография ^[11]. ^[12] Здесь каждая муха считается излучателем фотонов, и ее пригодность основана на соответствии моделируемой освещенности датчиков реальной картине, наблюдаемой на датчиках. В этом приложении функция приспособленности была переопределена для использования новой концепции «предельной оценки». Здесь приспособленность одного человека рассчитывается как его вклад (положительный или отрицательный) в качество населения мира. Он основан на принципе перекрестной проверки с исключением одного . Глобальная функция приспособленности оценивает качество населения в целом; только тогда приспособленность особи (мухи) рассчитывается как разница между глобальными значениями приспособленности популяции с конкретной мухой и без нее, чья индивидуальная функция приспособленности должна быть оценена. ^[13]^[14] В ^[15] пригодность каждой мухи рассматривается как «уровень уверенности». Он используется в процессе вокселизации для настройки индивидуального следа мухи с помощью неявного моделирования (например, метаболлов ). Это дает более гладкие и более точные результаты.

Совсем недавно его начали использовать в цифровом искусстве для создания мозаичных изображений или распыления краски. ^[16] Примеры изображений можно найти на YouTube

Парижская эволюция

Здесь популяция людей рассматривается как общество , в котором люди сотрудничают для достижения общей цели. Это реализуется с помощью эволюционного алгоритма, включающего все распространенные генетические операторы (например, мутацию, скрещивание, отбор). Основное отличие заключается в фитнес-функции. Здесь используются два уровня фитнес-функции:

Локальная функция пригодности для оценки производительности данного человека (обычно используется в процессе отбора).
Глобальная фитнес-функция для оценки производительности всей совокупности. Максимизация (или минимизация в зависимости от рассматриваемой проблемы) этой глобальной приспособленности является целью населения.

Кроме того, необходим механизм разнообразия, чтобы люди не собирались только в нескольких областях поискового пространства. Другое отличие заключается в извлечении решения проблемы после завершения эволюционного цикла. В классических эволюционных подходах решению соответствует лучший экземпляр, а остальная популяция отбрасывается. Здесь все люди (или люди из подгруппы населения) сопоставляются для поиска решения проблемы.Способ построения функций приспособленности и способ извлечения решения, конечно, зависят от задачи.

Примеры приложений Parisian Evolution включают:

Значения

Парижский подход против кооперативной коэволюции

Кооперативная коэволюция — это широкий класс эволюционных алгоритмов , в которых сложная проблема решается путем ее разложения на подкомпоненты, которые решаются независимо. Парижский подход имеет много общего с кооперативным коэволюционным алгоритмом . Парижский подход использует одну популяцию, тогда как в кооперативном коэволюционном алгоритме может использоваться множество видов . Подобные внутренние эволюционные двигатели рассматриваются в классическом эволюционном алгоритме , кооперативном коэволюционном алгоритме и парижской эволюции. Разница между кооперативным коэволюционным алгоритмом и парижской эволюцией заключается в семантике популяции. Кооперативный коэволюционный алгоритм делит большую проблему на подзадачи (группы людей) и решает их отдельно для достижения большой проблемы. ^[17] Между особями разных субпопуляций нет взаимодействия/размножения, только с особями одной и той же субпопуляции. Однако парижские эволюционные алгоритмы решают целую проблему как большую составляющую. Все особи популяции сотрудничают вместе, чтобы направить всю популяцию к привлекательным областям поискового пространства.

Алгоритм полета против оптимизации роя частиц

Кооперативная коэволюция и оптимизация роя частиц (PSO) имеют много общего. PSO вдохновлен социальным поведением стаи птиц или стайной рыбы. ^[18]^[19] Первоначально он был представлен как инструмент для реалистичной анимации в компьютерной графике. Он использует сложных людей, которые взаимодействуют друг с другом, чтобы построить визуально реалистичное коллективное поведение путем корректировки правил поведения людей (которые могут использовать генераторы случайных чисел). При математической оптимизации каждая частица роя каким-то образом следует своему собственному случайному пути, ориентированному на лучшую частицу роя. В алгоритме Fly мухи стремятся построить пространственное представление сцены на основе фактических данных датчиков; мухи не общаются и не сотрудничают явно, а также не используют никаких поведенческих моделей.

Оба алгоритма представляют собой методы поиска, которые начинаются с набора случайных решений, которые итеративно корректируются в направлении глобального оптимума. Однако решением проблемы оптимизации в алгоритме Мухи является популяция (или подмножество популяции): мухи неявно сотрудничают для построения решения. В PSO решением является одна частица, имеющая наилучшую приспособленность. Еще одно основное различие между алгоритмом Fly и PSO заключается в том, что алгоритм Fly не основан на какой-либо поведенческой модели, а лишь строит геометрическое представление.

Приложения алгоритма Fly

Компьютерное стереозрение ^[2]^[3]^[4]^[5]
Объезд препятствий ^[6]^[8]^[7]
Одновременная локализация и картографирование (SLAM) ^[9]
однофотонной эмиссионной компьютерной томографии (ОФЭКТ) Реконструкция ^[10]
позитронно-эмиссионной томографии (ПЭТ) Реконструкция ^[11]^[12]^[13]^[14]^[15]^[20]
Цифровое искусство ^[16]^[21]

Пример: реконструкция томографии

синограмма

(Y)

из

f

, что известно.

Пример реконструкции фантома хот-рода с использованием алгоритма полета.

Реконструкция томографии — это обратная задача , которая часто является некорректной из-за отсутствия данных и/или шума. Ответ на обратную задачу не является единственным, а в случае экстремального уровня шума его может вообще не быть. Входные данные алгоритма реконструкции могут быть представлены в виде преобразования Радона или синограммы. $\left(Y\right)$ данных для восстановления $\left(f\right)$ . $f$ неизвестно; $Y$ известно. Сбор данных в томографии можно смоделировать следующим образом:

$Y=P[f]+\epsilon$

где $P$ - системная матрица или оператор проекции и $\epsilon$ соответствует некоторому шуму Пуассона . В этом случае реконструкция соответствует обращению преобразования Радона :

$f=P^{-1}[Y]$

Обратите внимание, что $P^{-1}$ может учитывать шум, геометрию сбора данных и т. д. Алгоритм Fly является примером итеративной реконструкции . Итеративные методы томографической реконструкции относительно легко моделировать:

${\hat {f}}=\operatorname {arg\,min} ||Y-{\hat {Y}}||_{2}^{2}$

где ${\hat {f}}$ это оценка $f$ , что минимизирует метрику ошибки (здесь $ℓ 2$ -norm , но можно использовать и другие метрики ошибок) между $Y$ и ${\hat {Y}}$ . Обратите внимание, что можно ввести термин регуляризации , чтобы предотвратить переобучение и сгладить шум, сохраняя при этом края. Итерационные методы могут быть реализованы следующим образом:

Итеративная коррекция в томографической реконструкции.

 (i) Реконструкция начинается с использования начальной оценки изображения (обычно постоянного изображения),  (ii) Данные проекции рассчитываются на основе этого изображения,  (iii) Оценочные прогнозы сравниваются с измеренными прогнозами,  (iv) Вносятся поправки для исправления предполагаемого изображения, и  (v) Алгоритм выполняет итерации до тех пор, пока не произойдет сходимость оцененного и измеренного наборов проекций.

Псевдокод ниже представляет собой пошаговое описание алгоритма Fly для томографической реконструкции . Алгоритм следует установившейся парадигме. В иллюстративных целях используются продвинутые генетические операторы, такие как митоз, двойная мутация и т. д. ^[22]^[23] игнорируются. Реализацию JavaScript можно найти на Fly4PET .

 алгоритм  полета-алгоритма Вводится      :  количество полетов (  N  ),            входные данные проекции (  p _ссылка )         выходные данные:  популяция мух (  F  ),             прогнозы, оцененные по  F  (  p _оценка )            трехмерный объем, соответствующий вокселизации  F  (  V _F )         постусловие:  разница между  p _{оцененным} и  p _{эталонным} минимальна.         НАЧИНАТЬ      1.  // Инициализация  2.  // Устанавливаем положение  N  мух, т.е. создаем начальное предположение  3.  для каждой  мухи  i   в  популяции мух  F   выполните  4.  F  (  i  ) _x ← случайный(0, 1) 5.  F  (  i  ) _y ← случайный(0, 1) 6.  F  (  i  ) _z ← случайный(0, 1) 7. Добавьте  проекцию F  (  i  ) в  p. _оценку 8.    9.  // Вычисляем производительность популяции (т.е. глобальную приспособленность) 10.  G _{пригодность} (  F  ) ←  ошибок _{Показатели} (  p _эталон ,  p _оценка )11.    12.  f _kill ← Выбрать случайную мушку  F. 13.    14. Удалить  f _kill вклад  p. _{из оценки}15.    16.  // Вычисляем производительность популяции без f _kill17.  G _{приспособленность} (  F  - {  f _kill }) ←  ошибок _{Метрики} (  p _ссылка ,  p _оценка )18.    19. // Сравниваем характеристики, т.е. вычисляем локальную приспособленность мухи20.  L _фитнес (  f _kill ) ←  G _фитнес (  F  - {  f _kill }) -  G _фитнес (  F  )21.    22.  Если  локальная приспособленность больше 0, //Пороговый отбор плохой мухи, которую можно убить23.  затем  переходим к шагу 26.  // f _kill — хорошая муха (производительность популяции выше, когда _{f kill} включен  ): нам не следует ее убивать24.  иначе  переходим к шагу 28.  // f _kill — плохая муха (производительность популяции ухудшается, когда включен f _kill ): мы можем от нее избавиться 25.    26. Восстановите вклад мухи, затем перейдите к шагу 12.27.    28. Выберите генетический оператор29.    30.  Если  генетический оператор — мутация,31.  затем  перейдите к шагу 34.32.  иначе  перейдите к шагу 50.33.    34.  f _{воспроизвести} ← Выберите случайную муху  F 35.    14. Удалить  f _{воспроизводства} вклад  p. _{из оцененного}37.    38.  // Вычисление производительности населения без f _{воспроизводства}39.  G _{приспособленность} (  F  - {  f _{воспроизвести} }) ←  ошибок _{Метрики}(  p _ссылка ,  p _оценка )40.    41. // Сравниваем характеристики, т.е. вычисляем локальную приспособленность мухи42.  L _фитнес (  f _{воспроизвести} ) ←  G _фитнес (  F  - {  f _{воспроизвести} }) -  G _фитнес (  F  )43.    44. Восстановить вклад мухи45.    46.  Если  локальная приспособленность ниже или равна 0, // Пороговый отбор хорошей мухи, способной воспроизводить потомство.47.  иначе  переходим к шагу 34.  // f _{воспроизведение} — плохая муха: мы не должны позволять ему воспроизводиться 48.  затем  переходим к шагу 53.  // f _{воспроизведение} — хорошая муха: мы можем позволить ему воспроизводиться 49.    50.  // Новая кровь / Иммиграция 51. Замените  f _kill новой мушкой со случайной позицией, перейдите к шагу 57.52.    53.  // Мутация 54. Копировать  f _{воспроизводить} в  f _kill55. Слегка и случайно измените  f _kill положение  .56.    57. Добавьте вклад новой мухи в популяцию.58.    59.  Если  остановить реконструкцию,60.  затем  перейдите к шагу 63.61.  иначе  перейдите к шагу 10.62.    63.  // Извлечь решение 64.  V _F ← вокселизация  F 65.    66.  возврат   В _Ф       КОНЕЦ

Пример: цифровое искусство.

Эволюционный поиск.

Изображение реконструировано после оптимизации с использованием набора полос в качестве шаблона для каждой плитки.

В этом примере входное изображение должно быть аппроксимировано набором плиток (например, как в древней мозаике ). Плитка имеет ориентацию (угол θ), три компонента цвета (R, G, B), размер (w, h) и положение (x, y, z). Если есть N плиток, нужно угадать 9 N неизвестных чисел с плавающей запятой. Другими словами, для 5000 плиток нужно найти 45 000 чисел. Используя классический эволюционный алгоритм, в котором ответом на задачу оптимизации является лучший индивидуум, геном индивидуума будет состоять из 45 000 генов. Этот подход будет чрезвычайно дорогостоящим с точки зрения сложности и времени вычислений. То же самое относится и к любому классическому алгоритму оптимизации. Используя алгоритм Fly, каждый человек имитирует плитку, и его можно индивидуально оценить, используя его локальную приспособленность, чтобы оценить ее вклад в производительность популяции (глобальная приспособленность). Здесь у особи 9 генов вместо 9 N , а N. особей Ее можно решить как задачу реконструкции следующим образом:

$reconstruction=\operatorname {arg\,min} {\overset {x<W}{\underset {x=0}{\sum }}}{\overset {y<H}{\underset {y=0}{\sum }}}|input(x,y)-P[F](x,y)|$

где $input$ это входное изображение, $x$ и $y$ — координаты пикселей по горизонтальной и вертикальной оси соответственно, $W$ и $H$ ширина и высота изображения в пикселях соответственно, $F$ популяция мух, и $P$ — проекционный оператор, создающий изображение из мух. Этот оператор проектирования $P$ может принимать множество форм. В своей работе З. Али Абудд ^[16] использует OpenGL для создания различных эффектов (например, мозаики или аэрозольной краски). Для ускорения оценки фитнес-функций OpenCL также используется .Алгоритм начинается с популяции $F$ который генерируется случайным образом (см. строку 3 алгоритма выше). $F$ затем оценивается с использованием глобальной пригодности для вычисления $G_{fitness}(F)={\overset {x<W}{\underset {x=0}{\sum }}}{\overset {y<H}{\underset {y=0}{\sum }}}|input(x,y)-P[F](x,y)|$ (см. строку 10). $G_{fitness}$ – это целевая функция, которую необходимо минимизировать.

См. также

Ссылки

^ Колле, Пьер; Луше, Жан (октябрь 2009 г.). «Искусственная эволюция и парижский подход: применение в обработке сигналов и изображений». В Сиарри, Патрик (ред.). Оптимизация обработки сигналов и изображений . Вили-ИСТЕ. ISBN 9781848210448 .
^ Jump up to: ^а ^б ^с Луше, Жан (февраль 2000 г.). Алгоритм мухи: стратегия индивидуальной эволюции, применяемая в стереозрении . Распознавание образов и искусственный интеллект (RFIA2000).
^ Jump up to: ^а ^б ^с Луше, Жан (сентябрь 2000 г.). Стереоанализ с использованием стратегии индивидуальной эволюции . Материалы 15-й Международной конференции по распознаванию образов, 2000 г. (ICPR'00). Барселона, Испания: IEEE. стр. 908–911. дои : 10.1109/ICPR.2000.905580 . ISBN 0-7695-0750-6 .
^ Jump up to: ^а ^б Луше, Жан (июнь 2001 г.). «Использование индивидуальной стратегии развития стереовидения». Генетическое программирование и развивающиеся машины . 2 (2): 101–109. дои : 10.1023/А:1011544128842 . S2CID 8953837 .
^ Jump up to: ^а ^б Бумаза, Амин; Луше, Жан (апрель 2003 г.). «Слияние датчиков мобильного робота с помощью мух». Конспекты лекций по информатике . Европейская конференция по генетическому программированию (EuroGP 2003). Том. 2611. Эссекс, Великобритания: Спрингер. стр. 357–367. дои : 10.1007/3-540-36605-9_33 . ISBN 978-3-540-00976-4 .
^ Jump up to: ^а ^б Луше, Жан; Гийон, Мод; Лесо, Мари-Жанна; Бумаза, Амин (март 2002 г.). «Алгоритм динамического полета: управление роботом посредством искусственной эволюции в реальном времени» (PDF) . В Латто, Клод (ред.). Машинное обучение и искусственная эволюция (на французском языке). Публикации Hermes Sciences. ISBN 978-2746203600 .
^ Jump up to: ^а ^б Луше, Жан; Гийон, Мод; Лесо, Мари-Жанна; Бумаза, Амин (январь 2002 г.). «Dynamic Flies: новый инструмент распознавания образов, применяемый для обработки стереопоследовательностей» (PDF) . Буквы для распознавания образов . 23 (1–3): 335–345. Бибкод : 2002PaReL..23..335L . дои : 10.1016/S0167-8655(01)00129-5 .
^ Jump up to: ^а ^б Бумаза, Амин; Луше, Жан (апрель 2001 г.). «Динамические мухи: использование эволюции в робототехнике в реальном времени». Конспекты лекций по информатике . Искусственная эволюция в анализе изображений и обработке сигналов (EVOIASP2001). Том. 2037. Комо, Италия: Спрингер. стр. 288–297. дои : 10.1007/3-540-45365-2_30 . ISBN 978-3-540-41920-4 .
^ Jump up to: ^а ^б Луше, Жан; Сапен, Эммануэль (2009). «Мухи открывают дверь, чтобы ХЛОПАТЬ». Конспекты лекций по информатике . Приложения эволюционных вычислений (EvoApplications 2009). Том. 5484. Тюбинген, Германия: Шпрингер. стр. 385–394. дои : 10.1007/978-3-642-01129-0_43 .
^ Jump up to: ^а ^б Буске, Орели; Луше, Жан-Мари; Рокчисани, Жан (октябрь 2007 г.). «Полностью трехмерная томографическая эволюционная реконструкция в ядерной медицине» (PDF) . Конспекты лекций по информатике . Материалы 8-й международной конференции по искусственной эволюции (EA'07). Том. 4926. Тур, Франция: Шпрингер, Гейдельберг. стр. 231–242. дои : 10.1007/978-3-540-79305-2_20 . ISBN 978-3-540-79304-5 .
^ Jump up to: ^а ^б Видаль, Франк П.; Лазаро-Понт, Дельфина; Легупиль, Самуэль; Луше, Жан; Луттон, Эвелин; Рокчисани, Жан-Мари (октябрь 2009 г.). «Искусственная эволюция 3D-ПЭТ-реконструкции» (PDF) . Конспекты лекций по информатике . Материалы 9-й международной конференции по искусственной эволюции (EA'09). Том. 5975. Страсбург, Франция: Шпрингер, Гейдельберг. стр. 37–48. дои : 10.1007/978-3-642-14156-0_4 . ISBN 978-3-642-14155-3 .
^ Jump up to: ^а ^б Видаль, Франк П.; Луше, Жан; Луттон, Эвелин; Рокчисани, Жан-Мари (октябрь – ноябрь 2009 г.). «Реконструкция ПЭТ с использованием стратегии кооперативной коэволюции в пространстве ЛОР». Отчет конференции симпозиума IEEE по ядерным наукам (NSS/MIC), 2009 г. Конференция по медицинской визуализации (MIC). Орландо, Флорида: IEEE. стр. 3363–3366. дои : 10.1109/NSSMIC.2009.5401758 .
^ Jump up to: ^а ^б Видаль, Франк П.; Луше, Жан; Рокчисани, Жан-Мари; Латтон, Эвелин (апрель 2010 г.). «Новые генетические операторы в алгоритме Fly: применение к реконструкции медицинских ПЭТ-изображений» (PDF) . Конспекты лекций по информатике . Европейский семинар по эволюционным вычислениям в анализе изображений и обработке сигналов (EvoIASP'10). Том. 6024. Стамбул, Турция: Шпрингер, Гейдельберг. стр. 292–301. дои : 10.1007/978-3-642-12239-2_30 . ISBN 978-3-642-12238-5 .
^ Jump up to: ^а ^б Видаль, Франк П.; Луттон, Эвелин; Луше, Жан; Рокчисани, Жан-Мари (сентябрь 2010 г.). «Пороговый отбор, митоз и двойная мутация в кооперативной коэволюции: применение к медицинской 3D-томографии» (PDF) . Конспекты лекций по информатике . Международная конференция по параллельному решению проблем из природы (PPSN'10). Том. 6238. Краков, Польша: Шпрингер, Гейдельберг. стр. 414–423. дои : 10.1007/978-3-642-15844-5_42 .
^ Jump up to: ^а ^б Али Аббуд, Зайнаб; Лавозель, Жюльен; Луттон, Эвелин; Рокчисани, Жан-Мари; Луше, Жан; Видаль, Франк П. (2017). «Вокселизация в алгоритме 3-D Fly для ПЭТ» (PDF) . Рой и эволюционные вычисления . 36 : 91–105. дои : 10.1016/j.swevo.2017.04.001 . ISSN 2210-6502 .
^ Jump up to: ^а ^б ^с Али Аббуд, Зайнаб; Амлал, Осман; Видаль, Франк П. (апрель 2017 г.). «Эволюционное искусство с использованием алгоритма полета» (PDF) . Конспекты лекций по информатике . Приложения эволюционных вычислений (EvoApplications 2017). Том. 10199. Амстердам, Нидерланды: Springer. стр. 455–470. дои : 10.1007/978-3-319-55849-3_30 .
^ Месехо, Пабло; Ибаньес, Оскар; Фернандес-Бланко, Энрике; Седрон, Франциско; Пасос, Алехандро; Порто-Пасос, Ана (2015). «Подход к обучению искусственных нейронов и глиальных сетей, основанный на совместной эволюции» (PDF) . Международный журнал нейронных систем . 25 (4): 1550012. doi : 10.1142/S0129065715500124 . hdl : 2183/17502 . ПМИД 25843127 . S2CID 7653183 .
^ Кеннеди, Дж; Эберхарт, Р. (1995). Оптимизация роя частиц . Материалы Международной конференции IEEE по нейронным сетям. IEEE. стр. 1942–1948. дои : 10.1109/ICNN.1995.488968 .
^ Ши, Ю; Эберхарт, Р. (1998). Модифицированный оптимизатор роя частиц . Материалы Международной конференции IEEE по эволюционным вычислениям. IEEE. стр. 69–73. дои : 10.1109/ICEC.1998.699146 .
^ Аббуд, Зайнаб Али; Видаль, Франк П. (2017). «Базовые, двойственные, адаптивные и направленные операторы мутации в алгоритме Fly». Конспекты лекций по информатике . 13-я биеннале Международная конференция по искусственной эволюции (EA-2017). Париж, Франция. стр. 106–119. ISBN 978-2-9539267-7-4 .
^ Аббуд, Зайнаб Али; Видаль, Франк П. (октябрь 2017 г.). «Fly4Arts: Эволюционное цифровое искусство с алгоритмом полета» . Искусство и наука . 17–1 (1): 1–6. дои : 10.21494/ISTE.OP.2017.0177 .
^ Видаль, Франк П.; Луттон, Эвелин; Луше, Жан; Рокчисани, Жан-Мари (сентябрь 2010 г.). «Пороговый отбор, митоз и двойная мутация в кооперативной коэволюции: применение к медицинской 3D-томографии» (PDF) . Конспекты лекций по информатике . Параллельное решение проблем из природы - PPSN XI. Том. 6238. Краков, Польша: Springer Berlin / Heidelberg. стр. 414–423. дои : 10.1007/978-3-642-15844-5_42 . ISBN 978-3-642-15843-8 .
^ Али Аббуд, Зайнаб; Видаль, Франк П. (октябрь 2017 г.). «Базовые, двойственные, адаптивные и направленные операторы мутации в алгоритме Fly». Конспекты лекций по информатике . 13-я биеннале Международная конференция по искусственной эволюции. Париж, Франция: Springer-Verlag.

[Collet2009-1] Колле, Пьер; Луше, Жан (октябрь 2009 г.). «Искусственная эволюция и парижский подход: применение в обработке сигналов и изображений». В Сиарри, Патрик (ред.). Оптимизация обработки сигналов и изображений . Вили-ИСТЕ. ISBN 9781848210448 .

[LouchetRFIA2000-2] Jump up to: ^а ^б ^с Луше, Жан (февраль 2000 г.). Алгоритм мухи: стратегия индивидуальной эволюции, применяемая в стереозрении . Распознавание образов и искусственный интеллект (RFIA2000).

[Louchet2000ICPR-3] Jump up to: ^а ^б ^с Луше, Жан (сентябрь 2000 г.). Стереоанализ с использованием стратегии индивидуальной эволюции . Материалы 15-й Международной конференции по распознаванию образов, 2000 г. (ICPR'00). Барселона, Испания: IEEE. стр. 908–911. дои : 10.1109/ICPR.2000.905580 . ISBN 0-7695-0750-6 .

[Louchet2001-4] Jump up to: ^а ^б Луше, Жан (июнь 2001 г.). «Использование индивидуальной стратегии развития стереовидения». Генетическое программирование и развивающиеся машины . 2 (2): 101–109. дои : 10.1023/А:1011544128842 . S2CID 8953837 .

[Boumaza2003-5] Jump up to: ^а ^б Бумаза, Амин; Луше, Жан (апрель 2003 г.). «Слияние датчиков мобильного робота с помощью мух». Конспекты лекций по информатике . Европейская конференция по генетическому программированию (EuroGP 2003). Том. 2611. Эссекс, Великобритания: Спрингер. стр. 357–367. дои : 10.1007/3-540-36605-9_33 . ISBN 978-3-540-00976-4 .

[Louchet2002-6] Jump up to: ^а ^б Луше, Жан; Гийон, Мод; Лесо, Мари-Жанна; Бумаза, Амин (март 2002 г.). «Алгоритм динамического полета: управление роботом посредством искусственной эволюции в реальном времени» (PDF) . В Латто, Клод (ред.). Машинное обучение и искусственная эволюция (на французском языке). Публикации Hermes Sciences. ISBN 978-2746203600 .

[Louchet2002PatterRec-7] Jump up to: ^а ^б Луше, Жан; Гийон, Мод; Лесо, Мари-Жанна; Бумаза, Амин (январь 2002 г.). «Dynamic Flies: новый инструмент распознавания образов, применяемый для обработки стереопоследовательностей» (PDF) . Буквы для распознавания образов . 23 (1–3): 335–345. Бибкод : 2002PaReL..23..335L . дои : 10.1016/S0167-8655(01)00129-5 .

[Bomaza2001EvoIASP-8] Jump up to: ^а ^б Бумаза, Амин; Луше, Жан (апрель 2001 г.). «Динамические мухи: использование эволюции в робототехнике в реальном времени». Конспекты лекций по информатике . Искусственная эволюция в анализе изображений и обработке сигналов (EVOIASP2001). Том. 2037. Комо, Италия: Спрингер. стр. 288–297. дои : 10.1007/3-540-45365-2_30 . ISBN 978-3-540-41920-4 .

[Louchet2009EvoIASP-9] Jump up to: ^а ^б Луше, Жан; Сапен, Эммануэль (2009). «Мухи открывают дверь, чтобы ХЛОПАТЬ». Конспекты лекций по информатике . Приложения эволюционных вычислений (EvoApplications 2009). Том. 5484. Тюбинген, Германия: Шпрингер. стр. 385–394. дои : 10.1007/978-3-642-01129-0_43 .

[Bousquet2007EA-10] Jump up to: ^а ^б Буске, Орели; Луше, Жан-Мари; Рокчисани, Жан (октябрь 2007 г.). «Полностью трехмерная томографическая эволюционная реконструкция в ядерной медицине» (PDF) . Конспекты лекций по информатике . Материалы 8-й международной конференции по искусственной эволюции (EA'07). Том. 4926. Тур, Франция: Шпрингер, Гейдельберг. стр. 231–242. дои : 10.1007/978-3-540-79305-2_20 . ISBN 978-3-540-79304-5 .

[Vidal2009EA-11] Jump up to: ^а ^б Видаль, Франк П.; Лазаро-Понт, Дельфина; Легупиль, Самуэль; Луше, Жан; Луттон, Эвелин; Рокчисани, Жан-Мари (октябрь 2009 г.). «Искусственная эволюция 3D-ПЭТ-реконструкции» (PDF) . Конспекты лекций по информатике . Материалы 9-й международной конференции по искусственной эволюции (EA'09). Том. 5975. Страсбург, Франция: Шпрингер, Гейдельберг. стр. 37–48. дои : 10.1007/978-3-642-14156-0_4 . ISBN 978-3-642-14155-3 .

[Vidal2009MIC-12] Jump up to: ^а ^б Видаль, Франк П.; Луше, Жан; Луттон, Эвелин; Рокчисани, Жан-Мари (октябрь – ноябрь 2009 г.). «Реконструкция ПЭТ с использованием стратегии кооперативной коэволюции в пространстве ЛОР». Отчет конференции симпозиума IEEE по ядерным наукам (NSS/MIC), 2009 г. Конференция по медицинской визуализации (MIC). Орландо, Флорида: IEEE. стр. 3363–3366. дои : 10.1109/NSSMIC.2009.5401758 .

[Vidal2010EvoIASP-13] Jump up to: ^а ^б Видаль, Франк П.; Луше, Жан; Рокчисани, Жан-Мари; Латтон, Эвелин (апрель 2010 г.). «Новые генетические операторы в алгоритме Fly: применение к реконструкции медицинских ПЭТ-изображений» (PDF) . Конспекты лекций по информатике . Европейский семинар по эволюционным вычислениям в анализе изображений и обработке сигналов (EvoIASP'10). Том. 6024. Стамбул, Турция: Шпрингер, Гейдельберг. стр. 292–301. дои : 10.1007/978-3-642-12239-2_30 . ISBN 978-3-642-12238-5 .

[Vidal2010PPSN-14] Jump up to: ^а ^б Видаль, Франк П.; Луттон, Эвелин; Луше, Жан; Рокчисани, Жан-Мари (сентябрь 2010 г.). «Пороговый отбор, митоз и двойная мутация в кооперативной коэволюции: применение к медицинской 3D-томографии» (PDF) . Конспекты лекций по информатике . Международная конференция по параллельному решению проблем из природы (PPSN'10). Том. 6238. Краков, Польша: Шпрингер, Гейдельберг. стр. 414–423. дои : 10.1007/978-3-642-15844-5_42 .

[Abbood2017SWEVO-15] Jump up to: ^а ^б Али Аббуд, Зайнаб; Лавозель, Жюльен; Луттон, Эвелин; Рокчисани, Жан-Мари; Луше, Жан; Видаль, Франк П. (2017). «Вокселизация в алгоритме 3-D Fly для ПЭТ» (PDF) . Рой и эволюционные вычисления . 36 : 91–105. дои : 10.1016/j.swevo.2017.04.001 . ISSN 2210-6502 .

[Abbood2017EvoIASP-16] Jump up to: ^а ^б ^с Али Аббуд, Зайнаб; Амлал, Осман; Видаль, Франк П. (апрель 2017 г.). «Эволюционное искусство с использованием алгоритма полета» (PDF) . Конспекты лекций по информатике . Приложения эволюционных вычислений (EvoApplications 2017). Том. 10199. Амстердам, Нидерланды: Springer. стр. 455–470. дои : 10.1007/978-3-319-55849-3_30 .

[Mesejo2015-17] Месехо, Пабло; Ибаньес, Оскар; Фернандес-Бланко, Энрике; Седрон, Франциско; Пасос, Алехандро; Порто-Пасос, Ана (2015). «Подход к обучению искусственных нейронов и глиальных сетей, основанный на совместной эволюции» (PDF) . Международный журнал нейронных систем . 25 (4): 1550012. doi : 10.1142/S0129065715500124 . hdl : 2183/17502 . ПМИД 25843127 . S2CID 7653183 .

[Kennedy1995-18] Кеннеди, Дж; Эберхарт, Р. (1995). Оптимизация роя частиц . Материалы Международной конференции IEEE по нейронным сетям. IEEE. стр. 1942–1948. дои : 10.1109/ICNN.1995.488968 .

[Shi1998-19] Ши, Ю; Эберхарт, Р. (1998). Модифицированный оптимизатор роя частиц . Материалы Международной конференции IEEE по эволюционным вычислениям. IEEE. стр. 69–73. дои : 10.1109/ICEC.1998.699146 .

[Abbood2017EA-20] Аббуд, Зайнаб Али; Видаль, Франк П. (2017). «Базовые, двойственные, адаптивные и направленные операторы мутации в алгоритме Fly». Конспекты лекций по информатике . 13-я биеннале Международная конференция по искусственной эволюции (EA-2017). Париж, Франция. стр. 106–119. ISBN 978-2-9539267-7-4 .

[Abbood2017ArtAndScience-21] Аббуд, Зайнаб Али; Видаль, Франк П. (октябрь 2017 г.). «Fly4Arts: Эволюционное цифровое искусство с алгоритмом полета» . Искусство и наука . 17–1 (1): 1–6. дои : 10.21494/ISTE.OP.2017.0177 .

[22] Видаль, Франк П.; Луттон, Эвелин; Луше, Жан; Рокчисани, Жан-Мари (сентябрь 2010 г.). «Пороговый отбор, митоз и двойная мутация в кооперативной коэволюции: применение к медицинской 3D-томографии» (PDF) . Конспекты лекций по информатике . Параллельное решение проблем из природы - PPSN XI. Том. 6238. Краков, Польша: Springer Berlin / Heidelberg. стр. 414–423. дои : 10.1007/978-3-642-15844-5_42 . ISBN 978-3-642-15843-8 .

[23] Али Аббуд, Зайнаб; Видаль, Франк П. (октябрь 2017 г.). «Базовые, двойственные, адаптивные и направленные операторы мутации в алгоритме Fly». Конспекты лекций по информатике . 13-я биеннале Международная конференция по искусственной эволюции. Париж, Франция: Springer-Verlag.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

v т и Эволюционные вычисления
Основные темы	Эволюционный алгоритм Эволюционный анализ данных Эволюционная мультимодальная оптимизация Человеческие эволюционные вычисления Интерактивные эволюционные вычисления
Алгоритмы	Алгоритм клеточной эволюции Стратегия эволюции адаптации ковариационной матрицы (CMA-ES) Культурный алгоритм Дифференциальная эволюция Эволюционное программирование Генетический алгоритм Генетическое программирование Программирование экспрессии генов Стратегия эволюции Стратегия естественной эволюции Нейроэволюция Система классификаторов обучения
Связанные методы	Роевой интеллект Оптимизация колонии муравьев Алгоритм пчел Поиск кукушки Оптимизация роя частиц Оптимизация бактериальных колоний
Метаэвристические методы	Алгоритм Светлячка Поиск гармонии Гауссова адаптация Меметический алгоритм
Связанные темы	Искусственное развитие Искусственный интеллект Искусственная жизнь Цифровой организм Эволюционная робототехника Фитнес-функция Фитнес-ландшафт Приближение фитнеса Генетические операторы Интерактивные эволюционные вычисления Никаких бесплатных обедов в поиске и оптимизации Машинное обучение Брачный пул Синтез программы
Журналы	Эволюционные вычисления (журнал)