Публикации по теме 'evolutionary-algorithms'
Оптимизация дизайна: сочетание эволюционных алгоритмов и тенсегрити.
Практические руководства
Оптимизация дизайна: сочетание эволюционных алгоритмов и тенсегрити
Обзор того, как можно использовать Python и физические движки, чтобы найти лучший дизайн для структур тенсегрити.
Все началось пару недель назад, когда я наткнулся на видео стола тенсегрити. Структура, казалось бы, невозможная, но вполне реальная и физически осуществимая.
Здесь центральный канат конструкции удерживает весь вес, а боковые обеспечивают баланс, действуя как подвесные..
Модифицированный генетический алгоритм для решения задачи о рюкзаке с нулевой единицей
Эта статья является третьей частью моей предыдущей статьи: Генетические алгоритмы решения задачи о рюкзаке с нулевой единицей . Пожалуйста, прочтите эту статью, прежде чем переходить к этой статье, чтобы лучше понять концепцию. Во второй статье серии рассказывается о реализации традиционного генетического алгоритма для задачи о рюкзаке ноль-единица, прочтите эту статью здесь .
В этой статье мы поговорим об модифицированном генетическом алгоритме, который вдохновлен двумя вариантами..
Байесовская неврология: изучение связи между машинным обучением и биологическим мозгом.
Это сообщение в блоге в основном основано на статье Хидэаки Шмимазаки , где я буду объяснять и обсуждать его статью в контексте других исследовательских работ .
TL;DR.
Байесовская теория мозга иллюстрирует взаимодействие между биологическим и искусственным интеллектом, показывая нам, как машинное обучение демонстрирует сходство биологического мозга. Это демонстрируется с помощью байесовского вывода для сбора информации. Информация здесь представлена в виде вероятностных..
Обучение агентов обходу овоидных препятствий и навигации по виртуальной среде с использованием алгоритма NEAT
Обзор:
Агенты в этом исследовании оснащены датчиками, которые дают им возможность ощущать неизвестную среду. Поведение агента контролируется нейронной сетью, которая считывает информацию со своих бортовых датчиков и предпринимает соответствующие действия для изучения окружающей среды. Способность к обучению позволяет агентам оптимизировать свои датчики и улучшать свои действия, избегая препятствий и быстрее ориентируясь. Функциональность этих датчиков, а также процедура обучения,..
pymoode: дифференциальная эволюция в Python
Решайте задачи одно- и многокритериальной оптимизации с помощью алгоритмов дифференциальной эволюции.
Дифференциальная эволюция (DE) (Storn & Price, 1997) изначально была разработана для скалярной целевой оптимизации. Однако из-за простой реализации и эффективного качества решения задач DE был модифицирован различными способами для решения задач многокритериальной оптимизации.
В этой статье мы увидим алгоритмы и операторы, доступные в пакете Python pymoode , с приложениями к..
Как я научился перестать беспокоиться и позволить сценарию делать всю тяжелую работу
Как я научился перестать беспокоиться и позволить сценарию делать всю тяжелую работу
Или как автоматически создавать модели машинного обучения через персональный autoML
Машинное обучение — это прекрасно, но это сложная и несколько загадочная задача, которую трудно демократизировать. С другой стороны, даже принимая во внимание теорему об отсутствии бесплатных обедов, существуют некоторые методы и процессы для автоматизации создания оптимизированных моделей. В этой статье представлен..
Оптимизация гиперпараметров с помощью EDASpy
Настройка гиперпараметров машинного обучения — утомительная задача, которую мы склонны откладывать до самого конца проекта. Гиперпараметры повсюду, ручная настройка практически невозможна.
Представьте, что у нас есть только один гиперпараметр, и мы хотим его оптимизировать. Нам пришлось бы выполнить программу, сценарий, алгоритм или что-то еще, что мы настраиваем, N раз, что является числом возможных значений параметра. С двумя параметрами нам пришлось бы выполнять N раз для каждого..
