¿Existen enfoques recomendados para analizar los datos de los algoritmos genéticos?

Question

Después de realizar un estudio basado en algoritmos genéticos interactivos, tengo un archivo de datos univariante que contiene múltiples participantes, cada uno de los cuales realiza varias generaciones (bloques) de múltiples ensayos.

¿Existe un enfoque establecido para analizarlo?

He considerado utilizar una media general en cada una de las variables componentes. También he mirado los valores modales de estas variables después de filtrar todo menos la última generación.

Ninguno de los dos enfoques parece capturar adecuadamente la riqueza de los datos, por lo que me gustaría saber cómo manejarían esto otras personas.

Answer 1

Los siguientes enfoques pueden ser de interés. En (1) http://www.chemoton.org/ref31.html Se utilizó un AG en el análisis de imágenes, pero los datos se trataron primero. Para tratar los datos, el AG se hibridó con el clustering de K-means, un procedimiento de clasificación de datos muy conocido. Además de la clasificación, el AG también fue capaz de realizar la extracción de características de los datos. Otros enfoques también están disponibles en (2) ref 39 en chemoton org (3) ref 51 en chemoton org y (4) ref 42 en chemoton org entre muchos otros trabajos. Espero que sea de ayuda. Un saludo, v.

(1) Vitorino Ramos, Fernando Muge, Map Segmentation by Colour Cube Genetic K-Mean Clustering, Proc. of ECDL'2000 - 4th European Conference on Research and Advanced Technology for Digital Libraries, J. Borbinha and T. Baker (Eds.), ISBN 3-540-41023-6, Lecture Notes in Computer Science, Vol. 1923, pp. 319-323, Springer-Verlag -Heidelberg, Lisboa, Portugal, 18-20 Sep. 2000.

(2) Vitorino Ramos, Fernando Muge, Pedro Pina, Self-Organized Data and Image Retrieval as a Consequence of Inter-Dynamic Synergistic Relationships in Artificial Ant Colonies, en Javier Ruiz-del-Solar, Ajith Abraham y Mario Köppen (Eds.), Frontiers in Artificial Intelligence and Applications, Soft Computing Systems - Design, Management and Applications, 2nd Int. Conf. on Hybrid Intelligent Systems, IOS Press, Vol. 87, ISBN 1 5860 32976, pp. 500-509, Santiago, Chile, dic. 2002.

(3) Vitorino Ramos, Ajith Abraham, Evolving a Stigmergic Self-Organized Data-Mining, en ISDA-04, 4th Int. Conf. on Intelligent Systems, Design and Applications, Budapest, Hungría, ISBN 963-7154-30-2, pp. 725-730, 26-28 de agosto de 2004.

(4) Vitorino Ramos, Juan J. Merelo, Mapas de documentos estigmergicos autoorganizados: Environment as a Mechanism for Context Learning, en AEB'2002 - 1st Spanish Conference on Evolutionary and Bio-Inspired Algorithms, E. Alba, F. Herrera, J.J. Merelo et al. (Eds.), pp. 284-293, Centro Univ. de Mérida, Mérida, España, 6-8 feb. 2002.