An Introduction to Multi-Objective Evolutionary Algorithms and Some of Their Potential Uses in Biology

Jáimes, Antonio López; Coello, Carlos A. Coello

doi:10.1007/978-3-540-78534-7_4

Cited by 8 publications

(3 citation statements)

References 67 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Many real-world problems involve optimizing simultaneously several conflicting objectives. For Multi-Objective Optimization Problems (MOPs), instead of a single optimum which defines the optimal solution in a single objective optimization problems, there is a set of alternative trade-offs that represent the set of optimal solutions for the problem regarding all the objectives in it that are not dominated by any solution in the search space [13]. The best solution be determined by the need of the designer or decision maker [14] [15].…”

Section: Basic Concepts For Multi-objective Optimizationmentioning

confidence: 99%

A Multi-Objective Evolutionary Algorithm based Feature Selection for Intrusion Detection

2017

ijs

View full text Add to dashboard Cite

Nowad ays, with the development of internet communication that provides many facilities to the user leads in turn to growing unauthorized access. As a result, intrusion detection system (IDS) becomes necessary to provide a high level of security for huge amount of information transferred in the network to protect them from threats. One of the main challenges for IDS is the high dimensionality of the feature space and how the relevant features to distinguish the normal network traffic from attack network are selected. In this paper, multi-objective evolutionary algorithm with decomposition (MOEA/D) and MOEA/D with the injection of a proposed local search operator are adopted to solve the Multi-objective optimization (MOO) followed by Naïve Bayes (NB) classifier for classification purpose and judging the ability of the proposed models to distinguish between attack network traffic and normal network traffic. The performance of the proposed models is evaluated against two baseline models feature vitality based reduction method (FVBRM) and. The experiments on network security laboratory-knowledge discovery and data mining (NSL-KDD) benchmark dataset ensure the ability of the proposed MOO based models to select an optimal subset of features that has a higher discriminatory power for discriminating attack from normal over the baselines models. Furthermore, the proposed local search operator ensures its ability to harness the performance of MOO model through achieving an obvious feature reduction on average from 16.83 features to 8.54 features (i.e., approximately 50%) in addition to the increase in classifier accuracy from 98.829 to 98.859 and detection rate from 98.906 to 99.043.

show abstract

Section: Basic Concepts For Multi-objective Optimizationmentioning

confidence: 99%

A Multi-Objective Evolutionary Algorithm based Feature Selection for Intrusion Detection

2017

ijs

View full text Add to dashboard Cite

show abstract

“…Dentre as técnicas computacionais, as quais vêm sendo empregadas nestes tipos de problemas, destacam-se os Algoritmos Evolutivos (AE). Os AEs são fáceis de se empregar nos problemas de otimização multi-objetivo e mono-objetivo (JAIMES;COELLO, 2008). Visto que os AEs são empregados em diversos tipos de problemas, a literatura vem reportando o desenvolvimento de frameworks, os quais implementam os conceitos genéricos dos AEs (técnicas de seleção, operadores genéticos, Dominância de Pareto por exemplo), para assim obter uma padronização dos AEs empregados.…”

Section: Modificando O Protpredunclassified

“…Estes são uma meta-heurística inspirada na teoria da evolucão (GOLDBERG, 1989) sendo os mesmos aplicados em virtude de sua capacidade em explorar o espaço de busca, aproveitando as melhores soluções (MICHALEWICZ;SCHO-ENAUER, 1996). Além disso, os AEs são fáceis de empregar nos problemas de otimização multi-objetivo e mono-objetivo (JAIMES;COELLO, 2008). A primeira implementação dos Algoritmos Evolutivos Multi-Objetivos (MOEA, do inglês Multi-Objetive Evolutionary Algorithms) foi proposta por Schaffer em 1985(SCHAFFER, 1985a.…”

Section: Introdução E Motivaçãounclassified

Implementação de um framework de computação evolutiva multi-objetivo para predição Ab Initio da estrutura terciária de proteínas

Faccioli¹

View full text Add to dashboard Cite

Gostaria de agradecer a Deus por sempre me presentear com uma família maravilhosa e com pessoas amigas ao meu rendor, as quais contribuíram e muito para a elaboração deste trabalho. Procurarei agradecê-las com singelas palavras. Agradeço a toda minha família pelo companheirismo, paciência e interesse em saber o andamento da minha pesquisa.À minha irmã, Renata, pela intensa atenção nos meus estudos. Ao meu sobrinho João Pedro, que mesmo com apenas três anos de idade, consegue com seu sorriso e, manhas as vezes, motivar-me a diminuir o cansaço. Ressalto meus sinceros agradecimentos a duas pessoas maravilhosas, as quais sinto muito orgulho em poder dizer: meus pais, Cláudio e Terezinha. Tenho que agradecê-los por toda dedicação nestes trinta anos. O significado de família estende por avós, tios, tias, primos e primas. Assim, agradeço a todos pela atenção no que tange o progresso conquistado. Em especial gostaria de agradecer meus primos João Gabriel e Ana Maria por compartilhar seus momentos de lazer comigo. Ao meu orientador prof. Dr. Ivan Nunes da Silva pelos ensinamentos não só em computação ou mesmo na escrita deste trabalho, mas também, nas lições de perseverança, amizade e disciplina. Aos meus amigos do LAIPS onde tive a oportunidade de vivenciar o significado da palavra equipe. Em especial, gostaria deixar registrado meus agradecimentos ao meu grande amigo Marcelo Suetake, quem ajudou não só no template deste trabalho, mas também em valiosos ensinamentos e, em hipótese nenhuma posso deixar não evidenciar o seu companheirismo. Aos meus amigos do laboratório de Física Biológica da FCFRP. Aqui gostaria de registrar os sinceros agradecimento ao Prof. Dr. Antonio Caliri por permitir não somente a realização deste trabalho em seu laboratório, mas também, da sua contribuição sobre o assunto folding de proteínas. Aos membros Ricardo, João, Flávio e Renata obrigado pela atenção, amizade e discussão dos resultados. Ao Guilherme agradeço pela contruibuição na implementação do algoritmo SN-Nerf. Um especial agradecimento ao Leandro, quem acreditou na proposta deste trabalho e, assim, contribui com críticas, sugestões, scripts e explanações acerca de proteínas. Em termos de acreditar nesta proposta, há a contribuição do Waldo Cancino Ticona. Mesmo morando na França, ele por meio do seu conhecimento do framework ParadisEO, vislumbramos o uso deste framework. Ao meu grande amigo Túlio Calixto, agradeço pela sua amizade e atenção dada no andamento deste trabalho. Aos membros da banca de qualificação desta Tese onde não só contribuíram tecnicamente, mas também, por enfatizar o significado da palavra foco. Neste sentido agradeço o prof. Dr. Alexandre Delbem pela sua contribuição na minha pesquisa desde o seu início e ao prof. Dr. Alexandre Suman de Araújo, quem por sua formação em física e computacão, pode por meio do seu "pra que", fazer-me repensar em vários aspectos deste projeto. Inclusive, simplificando o nome do framework para 3PG. A comunidade GROMACS que empregando a filosofia open-source tem-se um software queé compet...

show abstract

Multilayer Perceptron: NSGA II for a New Multi-objective Learning Method for Training and Model Complexity

Senhaji

Ramchoun

Ettaouil

2018

Advances in Intelligent Systems and Computing

View full text Add to dashboard Cite

An Introduction to Multi-Objective Evolutionary Algorithms and Some of Their Potential Uses in Biology

Cited by 8 publications

References 67 publications

A Multi-Objective Evolutionary Algorithm based Feature Selection for Intrusion Detection

A Multi-Objective Evolutionary Algorithm based Feature Selection for Intrusion Detection

Implementação de um framework de computação evolutiva multi-objetivo para predição Ab Initio da estrutura terciária de proteínas

Multilayer Perceptron: NSGA II for a New Multi-objective Learning Method for Training and Model Complexity

Contact Info

Product

Resources

About