Quantum-Inspired Evolutionary Algorithms applied to numerical optimization problems

Modelo Neuro-Evolutivo Com Inspiração Quântica Aplicado Ao Problema Presa - Predador

“…Por conta disso, optou-se neste trabalho por um algoritmo evolutivo com inspiração quântica e representação real (AEIQ-R) [15][20] [21]. Neste modelo, os indivíduos da população deixam de ser representados por um certo número de q-bits e passam a ser representados por um determinado números de genes, que são funções densidade de probabilidade como na equação 1 a seguir:…”

NEVE: Um Comitê de Classificadores Neuro-Evolucionário para Aprendizagem Adaptativa

“…Após serem observados, os indivíduos clássicos são avaliados como nos algoritmos genéticos tradicionais e, usando a informação de fitness, um conjunto de operadores com inspiração quântica é aplicado aos indivíduos quânticos, a fim de atualizar a informação guardada por eles de forma que nas próximas gerações, melhores indivíduos terão mais chance de serem selecionados. Mais detalhes de como este método funciona podem ser encontrados em [9][10][11][12][13].…”

“…Neste trabalho, apresentamos uma abordagem baseada em redes neurais treinadas por algoritmos evolucionários com inspiração quântica. Algoritmos evolucionários com inspiração quântica [9][10][11][12][13] são uma classe de algoritmos de estimação de distribuição que apresentam -segundo várias referências -um melhor desempenho para otimização combinatória e numérica em comparação com seus algoritmos genéticos canônicos homólogos. O algoritmo evolucionário com inspiração quântica para otimização numérica (AEIQ-R), tem demonstrado bom desempenho quando usado para treinar uma rede neural para séries temporais de previsão e problemas de aprendizagem por reforço.…”

NEVE: A Neuro-Evolutionary Ensemble for Adaptive Learning

“…After being observed, the classical individuals are evaluated, as in traditional genetic algorithms, and, by means of using fitness information, a set of quantuminspired operators are applied to the quantum individuals, in order to update the information they hold in such a way that on the next generations, better individuals will have a better chance to be selected. Further details on how this optimization method works can be found in [7][8][9][10][11].…”

“…In this work, we present an approach based on neural networks which are trained by means of a quantum-inspired evolutionary algorithm. Quantum-inspired evolutionary algorithms [7][8][9][10][11] are a class of estimation of distribution algorithms which present, for several benchmarks, a better performance for combinatorial and numerical optimization when compared to their canonical genetic algorithm counterparts. We also use the quantum-inspired evolutionary algorithm for numerical optimization (QIEA-R) to determine the voting weights for each classifier which is part of the ensemble.…”