A new hybrid mutation operator for multiobjective optimization with differential evolution

Sindhya, Karthik; Ruuska, Sauli; Haanpää, Tomi; Miettinen, Kaisa

doi:10.1007/s00500-011-0704-5

Cited by 47 publications

(18 citation statements)

References 22 publications

(22 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Na estratégia ED/current−to−rand/1 o indivíduo x t é o indivíduo atual da população e é utilizado com um par de vetores aleatórios. A estratégia ED/N on − Linear foi proposta em [19] e é definida pela Equação 2.…”

Section: B Problema Da Predição Da Estruturas Das Proteínas (Ppep)unclassified

See 1 more Smart Citation

Predição da Estrutura de Proteínas Utilizando Algoritmo Evolutivo Adaptativo

Lopes¹,

Venske²

2015

Anais Do 12. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo-Proteínas são cadeias de aminoácidos que regulam diversas atividades em todos os organismos conhecidos. O Problema da Predição da Estrutura de Proteínas (PPEP) é um tópico importante de pesquisa em Bioinformática, cuja solução ainda está em aberto. Conhecer a estrutura de uma proteína pode ajudar a descobrir que tipo de atividade a proteína realiza na célula e criar drogas para combater doenças. Neste trabalho foi utilizado o método evolucionário da Evolução Diferencial, utilizando a técnica adaptativa Probability Matching, aplicado ao PPEP. Testes foram executados a fim de confrontar o método adaptativo proposto com versões não adaptativas, além de realizado o comparativo com a literatura considerando a proteína Met-Enkephalin.Palavras-chave: Evolução Diferencial, Técnica Adaptativa, Bioinformática. I. INTRODUÇÃOAs proteínas são cadeias de aminoácidos (resíduos) que regulam uma variedade de atividades em todos os organismos conhecidos, da replicação do código genético ao transporte de oxigênio. As funções das proteínas são determinadas por suas estruturas, que podem ser organizadas em quatro níveis hierárquicos, com um incremento de complexidade: estrutura primária, secundária, terciária e quaternária [1]. Assim, a estrutura de uma proteína é um pré-requisito para obter uma compreensão completa da sua função em nível molecular [2]. Quando uma proteína está na sua forma terciária, sua energia potencial livre é mínima [3].O Problema da Predição da Estrutura de Proteínas (PPEP) é um problema de minimização da energia potencial livre de uma proteína e um tópico importante de pesquisa, ainda sem solução, em Bioinformática. Conhecendo a estrutura de uma proteína, os cientistas podem descobrir que tipo de atividade a proteína realiza na célula e criar drogas para combater doenças relacionadas ao mal funcionamento de proteínas.Há várias abordagens para modelagem computacional do PPEP [3]. Neste trabalho a modelagem utilizada é a ab initio, que prediz a conformação nativa de uma proteína considerando somente sua sequência de aminoácidos. A metodologia ab initio requer três elementos [4]: uma representação da geometria da proteína, uma função potencial e uma técnica de busca do espaço da superfície da energia livre.A representação da geometria se dá pelo cálculo da energia potencial, a fim de procurar o espaço para o seu enovelamento. Neste trabalho foi utilizada a representação livre de látice, em que uma proteína é representada como uma cadeia de resíduos (ou grupos de resíduos) que se deslocam em um espaço contínuo, utilizando suas coordenadas atômicas.A função potencial retorna um valor para a energia de acordo com a sua conformação. Neste trabalho foi investigado o uso da função CHARMM (v.27) [5] para calcular a função de energia.Nas técnicas de buscas conformacionais são calculadas as energias envolvidas no processo do enovelamento para encontrar a estrutura com a energia livre mais baixa. Neste trabalho foi utilizado o método evolucionário da Evolução Diferencial (ED) como técnica de busca.A ED é um algori...

show abstract

Section: B Problema Da Predição Da Estruturas Das Proteínas (Ppep)unclassified

“…com rand ∈ U [0, 1] (i.e., rand é um valor entre 0 e 1 aleatoriamente gerado por uma distribuição uniforme) e a probalidade de interpolação, P inter definida como em [19].…”

Section: B Problema Da Predição Da Estruturas Das Proteínas (Ppep)unclassified

Predição da Estrutura de Proteínas Utilizando Algoritmo Evolutivo Adaptativo

Lopes¹,

Venske²

2015

Anais Do 12. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

show abstract

“…It combines multioperator recombination (crossover operators) into a unified optimization framework. In the Hyperheuristics (Burke et al 2013;Sindhya et al 2011), it can automatically select or generate heuristics (operators) to solve the optimization problems. These studies focus on the way of generating offspring.…”

Section: Introductionmentioning

confidence: 99%

A hybrid evolutionary multiobjective optimization algorithm with adaptive multi-fitness assignment

Liu

Tan

2014

Soft Comput

View full text Add to dashboard Cite

There are several studies on hybrid multi-operator recombination methods, while few works have been proposed in the area of combining different fitness assignment in a framework. On the other hand, it is known that fitness assignment has a marked impact on the performance of evolutionary multiobjective optimization algorithm (EMOA). In this paper, a hybrid EMOA is proposed, which divides the population into several smaller subpopulations according to their distribution in the objective space. Each subpopulation is evolved by an individual EMOA, and a hybrid performance measure estimates the performance of these EMOAs. We focus on the fitness assignment and assume that all EMOAs used in the subpopulations adopt the same recombination operator. To evaluate performance of the proposed algorithm, we compare it with MOEA/D-M2M, MOE-A/D, SMS-EMOA and NSGA-II on 16 test instances. Experimental results show that the proposed algorithm performs better than or similar to those compared EMOAs.

show abstract

“…The nonlinear differential evolution crossover (NDE) strategy was presented in the literature [63] for the MOEA/D framework and was a hybrid crossover operator based on polynomials. The advantage of this strategy is that it ignores the values of the crossover rate and the mutation scaling factor.…”

Section: Nonlinear Differential Evolutionmentioning

confidence: 99%

“…where ψ is generated according to an interpolation probability (V itr ) [63] and can be defined by formula (15).…”

Section: Nonlinear Differential Evolutionmentioning

confidence: 99%

An Improved Nondominated Sorting Genetic Algorithm III Method for Solving Multiobjective Weapon-Target Assignment Part I: The Value of Fighter Combat

You

Kou

2018

International Journal of Aerospace Engineering

View full text Add to dashboard Cite

Multiobjective weapon-target assignment is a type of NP-complete problem, and the reasonable assignment of weapons is beneficial to attack and defense. In order to simulate a real battlefield environment, we introduce a new objective-the value of fighter combat on the basis of the original two-objective model. The new three-objective model includes maximizing the expected damage of the enemy, minimizing the cost of missiles, and maximizing the value of fighter combat. To solve the problem with complex constraints, an improved nondominated sorting algorithm III is proposed in this paper. In the proposed algorithm, a series of reference points with good performances in convergence and distribution are continuously generated according to the current population to guide the evolution; otherwise, useless reference points are eliminated. Moreover, an online operator selection mechanism is incorporated into the NSGA-III framework to autonomously select the most suitable operator while solving the problem. Finally, the proposed algorithm is applied to a typical instance and compared with other algorithms to verify its feasibility and effectiveness. Simulation results show that the proposed algorithm is successfully applied to the multiobjective weapon-target assignment problem, which effectively improves the performance of the traditional NSGA-III and can produce better solutions than the two multiobjective optimization algorithms NSGA-II and MPACO.

show abstract

A new hybrid mutation operator for multiobjective optimization with differential evolution

Cited by 47 publications

References 22 publications

Predição da Estrutura de Proteínas Utilizando Algoritmo Evolutivo Adaptativo

Predição da Estrutura de Proteínas Utilizando Algoritmo Evolutivo Adaptativo

A hybrid evolutionary multiobjective optimization algorithm with adaptive multi-fitness assignment

An Improved Nondominated Sorting Genetic Algorithm III Method for Solving Multiobjective Weapon-Target Assignment Part I: The Value of Fighter Combat

Contact Info

Product

Resources

About