2) genetic learning
遗传学习
1.
And three learning operators are designed, through which PGABL combines the advantages of genetic evolution and genetic learning that improves the performance of traditional genetic al.
算法引入黑板模型作为控制和交互的数据结构,采用群内、群间、群落三个学习算子,将遗传进化和遗传学习相结合,有效地改善了遗传算法的性能。
3) reinforcement learning
强化学习
1.
Adaptive HVDC supplementary damping controller based on reinforcement learning;
基于强化学习算法的自适应直流附加阻尼控制器
2.
Pattern driven scheduling system based on reinforcement learning;
基于强化学习的模式驱动调度系统研究
3.
Multi-robot dynamic cooperation based on an immunized reinforcement learning mechanism;
基于免疫强化学习机制的多机器人动态协作
4) reinforcement learning(RL)
强化学习
1.
Based on reinforcement learning(RL) algorithm—improved genetic algorithms supported by Bayesian learning algorithm,task distribution issue.
在构建舰船设备协同控制多智能体系统(MAS)过程中,各Agent之间存在某种内在的冲突、联系和规律,为了有效地发现和消解这些问题,引入智能控制解决方案和强化学习方法,能为MAS系统的构建提供有效的技术保障。
2.
Reinforcement Learning(RL) is a kind of unsupervised learning method for agent to acquire optimal behavior sequence to adapt to unknown environments with a clue of reward.
强化学习是一种重要的无监督机器学习技术,它能够利用不确定的环境下的奖赏发现最优的行为序列,实现动态环境下的在线学习,被广泛地应用到Agent系统当中。
3.
This paper discusses reinforcement learning(RL)algorithm and its application to technical action learning of soccer robot.
主要研究了强化学习算法及其在机器人足球比赛技术动作学习问题中的应用。
5) Chemical genetics
化学遗传学
1.
Chemical genetics is a useful method by which the authors can investigate the functions of proteins utilizing activated small molecules possessing penetrability as molecular probes.
化学遗传学是利用细胞渗透性的生物活性小分子作为分子探针进行生物学研究的方法。
6) genetic evolutionary machine learning
遗传机器学习
补充资料：遗传学习
遗传学习
genetic learning
y一ehuan xuexi遗传学习(genetic.~ing)基于物种变异和自然选择的原理建立的一种机器学习方法。 遗传学习将搜索结构编码为字符串形式，每个字符串结构称为个体。然后对一个集合的字符串结构(群体)进行循环操作，每次循环称为一代。其中，字符串模拟染色体的作用，单个位模拟基因的作用。根据评价函数，每个个体给予一个数值估算，称为遗传适应度。选择适应度高的个体参加操作，不断迭代，使之优者生存，劣者淘汰，从而达到不断进化，可得到有高适应度的群体。 在将遗传原理应用于人工系统的搜索之前，已有一些生物学家用计算机仿真遗传系统。虽然这些研究的目的在于了解自然现象，但有的工作与现代遗传算法的概念很相近。1960年，A.S.F~r在生物仿真中，用(一1，l)间变动的表型值(函数值)选择基因型(字符串)作为父母，仿真后代字符串的变化。1%2年，J.H干blland关于自适应系统的论文奠定了自适应系统的理论基础。他认为自适应系统的研究涉及到自适应系统和它的环境之间的相互作用，应该研究系统怎样有效地调节适应它们的环境的过程。J.D.1如gley于1967年在他的博士论文中第一次提出遗传算法这个概念。他用遗传算法研究自适应游戏问题。同年，R.5.ROSellberg用了氏通land的模式理论研究了生物细胞仿真的问题。他着重研究用子孙代函数反映选择过程的竞争。1975年是遗传算法取得很大进展的一年。H6llarld发表了重要著作“泪aptation in Nat:ura landA六ifidals外t~(自然和人工系统中的适应性)”，系统地论述了遗传算法的基本理论，为遗传算法的发展奠定了基础。同年，K.A.周皿g把E峪11and的模式理论和他自己的遗·875·计算实验结合起来，研究数据结构设计、算法设计、计算机操作系统自适应控制等，得到一些很有意义的结论和方法，为遗传算法和它的应用建立了坚实的基础。经过长期研究，D.E.(弘ld阮g成功地将遗传算法应用在搜索、优化和机器学习中。1989年他发表了著作“C掩hetic Al即rithn巧，’，清楚地阐明遗传算法的实现和应用。80年代以来，遗传学习的理论和应用得到了迅速的发展，已被广泛应用到工程、生物学和社会科学中。 遗传学习的基本思想来源于自然进化过程。在自然进化过程中，物种在复杂变化的环境中寻找最佳组合。物种得到的知识保存在染色体的构造中。物种繁殖时，染色体的构造会发生变化。修改染色体构造的基本操作有交换、突变和倒位等。交换是双亲的染色体间交换构造信息，使双亲中较好的基因在后代中组合起来。突变将在染色体中加人有益的结构。倒位改变染色体里基因的位置，使基因能聚集成簇，增加在遗传过程中一起移动的概率。 遗传算法模拟生物的遗传过程，它的典型执行过程是: (l)随机产生初始群体。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条