Solving Shortest Path Problem Using Hopfield Networks and Genetic Algorithms

Pires, Matheus Giovanni; Silva, Ivaneide S; Bertoni, Fabiana Cristina

doi:10.1109/his.2008.161

Cited by 2 publications

(1 citation statement)

References 11 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…This property is not so clearly demonstrated in artificial evolutionary algorithms (EAs), which tend to serve more as optimisers [1]. Current attempts to improve the ability of EAs to create functional structures take one of three routes: modifying canonical EA mechanisms via (for example) new configurations of crossover or mutation [2], augmenting the system with other computational devices such as neural networks [3], or taking further inspiration from biology [4]. Our ambition is to take the biological route, but to take a few steps back from current artificial EA systems and draw inspiration directly from so-called "simple" unicellular life forms, specifically the prokaryotes (bacteria) and their postulated precursors in the evolution of the early earth.…”

Section: Introductionmentioning

confidence: 99%

Gene regulation in a particle metabolome

Hickinbotham

Clark

Stepney

et al. 2009

2009 IEEE Congress on Evolutionary Computation

View full text Add to dashboard Cite

Abstract-The bacterial genome is well understood by biologists. Although its efficiency and adaptability should make it a good model for evolutionary algorithms, the bacterial genome is tightly coupled with the components of the bacterial metabolism, referred to here as the metabolome. This paper explores an approach to modelling an artificial bacterial metabolome in an efficient and modular manner, so that analogues of bacterial genome organisation and gene regulation can be implemented in evolutionary algorithms. We propose a particulate model of bacterial metabolic pathways in which the constituents drift in a fixed, limited space and obey a limited set of biologically plausible reaction rules. The potential of this model is demonstrated by creating a network that is capable of appropriate behavioural switching that can be observed in bacteria.

show abstract

Section: Introductionmentioning

confidence: 99%

Gene regulation in a particle metabolome

Hickinbotham

Clark

Stepney

et al. 2009

2009 IEEE Congress on Evolutionary Computation

View full text Add to dashboard Cite

show abstract

Abordagem neuro-genética para mapeamento de problemas de conexão em otimização combinatória

Pires¹

Self Cite

View full text Add to dashboard Cite

Porque Dele e por meio Dele, e para Ele são todas as coisas.Glória, pois, a Ele eternamente. Amém. Romanos 11, 36i AgradecimentosAgradeço a DEUS, em nome de Jesus, por tudo o que tem feito por mim e por todas as vitórias alcançadas. Agradeço por mais uma vez me capacitar na realização de um trabalho tão importante para a minha vida, mas acima de qualquer coisa, esta é mais uma obra para a honra e a glória de Seu nome. Diante das vantagens destacadas pela abordagem proposta e da dificuldade presente nos demais trabalhos, a RHG torna-se uma ferramenta promissora para a solução de problemas de conexão em otimização combinatória. Organização da teseEste trabalho está dividido em sete capítulos, os quais são organizados como se segue.No Capítulo 2 são apresentados conceitos envolvendo otimização combinatória, os tipos de problemas existentes e quais as técnicas comumente utilizadas para resolvê-los.O Capítulo 3 apresenta as metodologias de inteligência computacional utilizadas no desenvolvimento deste trabalho, redes neurais artificiais e algoritmos genéticos, descrevendo os conceitos, parâmetros e respectivas aplicabilidades.No Capítulo 4 é formulada a abordagem neuro-genética desenvolvida, descrevendo a rede neural utilizada, a qual incorpora a técnica do subespaço-válido de soluções para confinar as restrições envolvidas com os problemas de otimização bem como o algoritmo genético, aplicado na otimização das funções objetivo destes problemas.O Capítulo 5 apresenta a aplicação da abordagem neuro-genética para a solução de problemas de conexão em otimização combinatória. Mostra-se também um panorama das abordagens neurais e genéticas disponíveis na literatura, as quais são utilizadas na solução de problemas de otimização combinatória, mais especificamente para o problema do caminho mínimo.Os experimentos e resultados obtidos da aplicação da abordagem neuro-genética aos problemas do caminho mínimo, das N-rainhas e do emparelhamento bipartido são relatados no Capítulo 6.Finalmente, no Capítulo 7, apresentam-se as conclusões e os trabalhos futuros. Otimização de SistemasNeste capítulo são apresentados os problemas de otimização combinatória e os principais métodos para suas soluções. Na Seção 2.1 são apresentados a definição e os componentes de um problema geral de otimização. A Seção 2.2 descreve conceitos e dificuldades envolvendo otimização combinatória, sua classificação e metodologias aplicáveis em sua resolução. Problemas e Técnicas de OtimizaçãoOtimização é o processo de buscar a melhor solução (ou solução ótima) dentre um conjunto de soluções disponíveis para um problema. A otimização pode ser dividida em duas classes: global e local, sendo que a otimização global encontra a melhor solução do conjunto entre todas as soluções possíveis e, a otimização local, encontra uma solução que não é a melhor de todas, mas se apresenta como a melhor dentro de um subconjunto do conjunto universo (Bazaraa et al., 2006 Como exemplo da utilização destes elementos, considera-se um sistema de produção.As variáveis de decisão po...

show abstract

Solving Shortest Path Problem Using Hopfield Networks and Genetic Algorithms

Cited by 2 publications

References 11 publications

Gene regulation in a particle metabolome

Gene regulation in a particle metabolome

Abordagem neuro-genética para mapeamento de problemas de conexão em otimização combinatória

Contact Info

Product

Resources

About