|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/computo-evolutivo
课程评论：没有评论
课程名称：进化计算 课程概述：进化计算（Evolutionary Computation, EC）运用自然进化和遗传学理论，通过进化适应计算结构，为解决复杂问题提供了一种替代手段，广泛应用于工程、经济学、化学、医学及艺术等领域。一组可能的解决方案类似于进化中的生物种群，通过重组最优秀个体的特征并将其传递给后代，形成代际进化。在这方面，已开发出不同的进化方法，这些方法的群体结构各不相同。 进化算法（Evolutionary Algorithms, AE）是进化计算的另一称呼，作为一种优化和搜索方法，它们受到自然进化过程的启发，并试图部分模拟这些过程，维持一个根据选择规则及其他遗传操作（如交叉和变异）而进化的结构群体。除此之外，还有多种生物启发的优化算法，模仿自然系统的行为，例如蚁群算法、文化算法和粒子群优化等。 课程大纲： 1. 进化计算简介：本模块将介绍进化算法的工作原理和其在优化及搜索问题中的应用。 2. 遗传算法的操作原则：在此模块中，学习者将学会如何制定和识别给定问题的决策变量，以便利用进化算法进行解决。 3. 基本遗传算法的实现：本模块将帮助学习者识别进化算法的各个组成部分，从而进行有效的实施。 4. 遗传算法及其他进化技术的应用：学习者将在此模块中了解到，进化算法不仅是解决优化和搜索问题的启发式方法，还有其他提案，例如粒子群优化和差分进化。
Name:Introducción a la computación evolutiva
Description:En este módulo conocerás cómo y por qué funcionan los algoritmos evolutivos, para resolver problemas de optimización y búsqueda.
Name:Principios de operación de un algoritmo genético
Description:En este módulo aprenderás a formular, plantear e identificar las variables de decisión de un problema dado (no importando el dominio), para poderlo resolver con el uso de un algoritmo evolutivo.
Name:Implementación de un algoritmo genético básico
Description:En este módulo identificarás cada una de las partes que conforman un algoritmo evolutivo, lo cual tendrá como consecuencia su implementación adecuada.
Name:Aplicaciones de algoritmos genéticos y otras técnicas evolutivas
Description:En este módulo aprenderás que los algoritmos evolutivos no son las únicas metaheurísticas para resolver problemas de optimización y búsqueda, sino que existen otras propuestas, como los algoritmos de optimización por cúmulo de partículas y la evolución diferencial.
La computación evolutiva (evolutionary computation, EC), aplica la teoría de la evolución natural y la genética en la adaptación evolutiva de estructuras computacionales, proporcionando un medio alternativo para atacar problemas complejos en diversas áreas, como la ingeniería, economía, química, medicina y, porque no, las artes. Una población de posibles soluciones de un problema dado es análoga a una población de organismos vivos que evolucionan cada generación, al recombinar los mejores individuos de la población y transmitir sus características de dichos individuos padres, a sus descendientes. En este campo, diferentes esquemas de métodos evolutivos se han desarrollado, los cuales difieren en el tipo de estructuras que conforman la población. Algoritmos evolutivos (AE), como también se le conoce al cómputo evolutivo (EC), se definen como métodos de optimización y búsqueda, los cuales están inspirados y tratan de imitar de manera parcial los procesos de la evolución natural, y mantienen una población de estructuras que evolucionan de acuerdo a reglas de selección y otros operadores genéticos, como cruzamiento y mutación (Bäck, 1996). Los algoritmos evolutivos no son los únicos métodos de optimización propuestos a partir de sistemas biológicos. Se tiene una variedad de algoritmos de optimización, que tratan de imitar el comportamiento de sistemas naturales, como las colonias de hormigas, algoritmos culturales y optimización por cúmulos de partículas, entre otros. De aquí surge lo que se conoce como algoritmos bioinspirados, ya que toman sus bases a partir de la estructura de procesos y sistemas biológicos: la evolución, la selección natural, comportamiento social de animales, como las hormigas, abejas, peces. BÄCK, T. (1996) Evolutionary Algorithms in Theory and Practice. Oxford University Press. DARWIN, C. (1859) On the Origin of Species by Means of Natural Selection, or the Preservation of Favoured Races in the Struggle for Life, John Murray.
