کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10322271 660850 2015 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Good versus bad knowledge: Ontology guided evolutionary algorithms
ترجمه فارسی عنوان
خوب در برابر دانش بد: الگوریتم های تکاملی هدایت هستی شناسی
کلمات کلیدی
الگوریتمهای تکاملی، دانش هدایت شده، الگوریتم ژنتیک، هستی شناسی، درختان تصمیم گیری،
ترجمه چکیده
انتظار می رود دانش خوب، به الگوریتم مبتنی بر دانش بیشتر از دانش بد کمک کند. در این تحقیق اثر دقیق دانش خوب و بد در الگوریتم های تکاملی مورد بررسی قرار گرفته است. فرضیه آزمایشی این مقاله این است که دانش خوب تاثیر قابل توجهی بر روند جهش تکاملی دارد، در حالی که دانش بد تاثیر معنی ندارد. یک الگوریتم تکاملی دانش هدایت شده توسعه یافته است که در آن هستی شناسی، نشان دهنده دانش، به فرایند جهش اعمال می شود. دانش بد، به عنوان هستی شناسی به صورت تصادفی تولید شده است، در حالی که دانش خوب با هستی شناسی ساخته شده با دانش دامنه و فرآیند توسعه هستی شناسی رسمی نشان داده شده است. درخت تصمیم گیری برای حل یک مشکل طبقه بندی شده تکامل یافته است. تناسب اندام دقت طبقه بندی است. این آزمایش بیش از 2 مجموعه داده از حوزه های مختلف تکرار می شود که شامل یک سری زمانی، داده های مالی و دیگر داده های شراب می باشد. به عنوان فرضیه، دانش ضعیف، و یا بد، تاثیری ندارد، در حالی که دانش خوب اثرگذار است. دانش بد، به طور تصادفی در شخصیت در این آزمایش ها، هیچ تاثیری در روند فرآیند تصادفی تصادفی ندارد. با این حال، استخدام دانش برای هدایت روند جهش به طور قابل ملاحظه ای از عبور از فضای جستجو محدود می شود. استفاده از دانش در یک الگوریتم تکاملی بالقوه برای افزایش کارایی و دقت الگوریتم های تکاملی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Good knowledge would be expected to help a knowledge-based algorithm more than bad knowledge. In this research, the precise effect of good versus bad knowledge on evolutionary algorithms is explored. The testable hypothesis of this paper is that good knowledge will have a significant effect on the evolutionary mutation process, whereas bad knowledge will have no significant effect. A knowledge-guided evolutionary algorithm is developed where ontologies, representing knowledge, are applied to the mutation process. Bad knowledge is represented as a randomly generated ontology, while good knowledge is represented by ontologies constructed with domain knowledge and following a formal ontology development process. Decision trees are evolved to solve a classification problem. Fitness is classification accuracy. The experiment is replicated over 2 data-sets from different domains with one being time-series, financial data and the other being wine data. As hypothesized, poorly constructed, or bad knowledge, has no effect while good knowledge is shown to have a significant effect. Bad knowledge, being random in character in these experiments, has understandably no impact on an already random mutation process. However, employing knowledge to guide the mutation process significantly constrains the traversal of the search space. Employing knowledge in an evolutionary algorithm has the potential to increase the efficiency and accuracy of evolutionary algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 21, 30 November 2015, Pages 8039-8051
نویسندگان
, ,