JP2019516148A - 遺伝的アルゴリズムに基づく大域的最適化、検索並びに機械学習法 - Google Patents
遺伝的アルゴリズムに基づく大域的最適化、検索並びに機械学習法 Download PDFInfo
- Publication number
- JP2019516148A JP2019516148A JP2018538208A JP2018538208A JP2019516148A JP 2019516148 A JP2019516148 A JP 2019516148A JP 2018538208 A JP2018538208 A JP 2018538208A JP 2018538208 A JP2018538208 A JP 2018538208A JP 2019516148 A JP2019516148 A JP 2019516148A
- Authority
- JP
- Japan
- Prior art keywords
- genetic
- search
- machine learning
- optimization
- global optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 117
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 95
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000010801 machine learning Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 66
- 210000000349 chromosome Anatomy 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 36
- 239000000126 substance Substances 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000035772 mutation Effects 0.000 claims description 63
- 108090000623 proteins and genes Proteins 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000002703 mutagenesis Methods 0.000 claims description 4
- 231100000350 mutagenesis Toxicity 0.000 claims description 4
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 101150076211 TH gene Proteins 0.000 claims description 2
- 238000000137 annealing Methods 0.000 claims description 2
- 238000012854 evaluation process Methods 0.000 claims description 2
- 238000011423 initialization method Methods 0.000 claims description 2
- 230000004083 survival effect Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 38
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 108091008053 gene clusters Proteins 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 206010010356 Congenital anomaly Diseases 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000869 mutational effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioethics (AREA)
- Biotechnology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Genetics & Genomics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
ラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法は、
最適化、検索並びに機械学習された問題物質の構造の目的関数f(x)に基づく工程1と、
問題物質の最適化要求に基づいて問題物質が遺伝的アルゴリズムの染色体として編集された後、遺伝的アルゴリズムの操作パラメータの自動計算または手動入力が行われ、且つアルゴリズムの初期化が行われる工程2であって、ここでは遺伝的アルゴリズムとは通常の遺伝的アルゴリズムを指すことと、
問題物質の最適化要求に基づいて、第k世代解候補群がGkと設定され、且つGk={P1 k,P2 k,・・・,Pi k,・・・,PS k}であり、Pi kは解候補群Gk中の第i番染色体コードを表し、Sは群の大きさを表し、反復最適化法によりk+1世代群Gk+1が獲得され、すなわちGk+1={P1 k+1,P2 k+1,・・・,Pi k+1,・・・,PS k+1}であり、Pi k+1は群Gk+1中の第i番染色体コードを表し、Sは群の大きさを表す工程3と、
問題物質の最終最適解集合が出力される工程4とを含み、
工程3の最適化過程は、
解候補群Gk中の各染色体コードPi kが解読された後に対応する目的関数値の大きさの計算が行われる個体の評価工程(1)と、
ラマルクの獲得形質の遺伝オペレーターの書き換え操作が実行され、臨時群G’k+1が生成される工程(2)と、
ラマルクの使用と廃止オペレーターが使用されて臨時群G’k+1に対して定方向突然変異操作が実行され、新しい解候補群Gk+1が獲得される工程(3)であって、変異オペレーターは通常の遺伝的アルゴリズムにおける変異オペレーターであることと、
工程(1)から工程(3)が所定の終了条件を満たすまで反復して行われる工程(4)と、
解読後の前記最適解が今回の最適化計算要求を満たすか否かの評価が下され、要求を満たしている場合は最終最適解集合が獲得され、要求を満たしていない場合は操作パラメータが修正され、最終最適解集合が得られるまで再計算が行われる工程(5)とを含み、
ここでは、工程(2)は、
交叉率pcに基づいて解候補群Gk中から2つの染色体コードがランダムに選択され、2つの染色体コードの目的関数値fm及びfnの大きさが比較され、且つ遺伝子の遺伝の百分率ptが計算され、pt=fm/(fm+fn),fm>fnとなる工程(2a)と、
次世代に遺伝される遺伝子数ntが計算され、nt=L・ptとなり、Lは遺伝子鎖長を表し、ptは遺伝子の遺伝の百分率を表す(計算結果が整数ntではない場合、切り上げて整数にする)工程(2b)と、
目的関数値の大きい染色体コードが保留され、目的関数値の大きい染色体コード上のnt番目の遺伝子が目的関数値が小さい染色体コードに対応する位置に書き換えられ、新しい染色体コードが形成される工程(2c)であって、対応して書き換えられることにより目的関数値の大きい染色体コード上の選択された桁の遺伝子が目的関数値の小さい染色体コードの対応する位置に書き換えられ、以降同様に続くことと、
上記工程(2a)−(2c)がpcS回繰り返し行われ、書き換え操作後の臨時群G’k+1が生成される工程(2d)であって、Sは群の大きさを表し、pcは交叉率を表すことをさらに含む。
まず、遺伝的アルゴリズムの作動モードに基づいて、解候補群の大きさS、変数の次元d、変数の取得範囲、交叉率pc、変異オペレーター中の内部パラメータ等の操作パラメータが確定される工程(1)と、
その後、最適化要求に基づいて問題物質に対する編集が行われ、個体遺伝子鎖、染色体、及び解候補群が形成され、遺伝子鎖長Lが確定される工程(2)と、
最後に、問題物質の変数の取得範囲に基づいて初期化が行われ、1組の初期解候補がランダムに生成され、k=0である場合、各染色体ゲノムは{x1 0(i),x2 0(i),・・・,xd 0(i)}であり、すなわち、Pi 0={xj 0(i),j=1,・・・,d}であり、初期群はG0={Pi 0,i=1,2,・・・,S}とし、Sは群の大きさを表し、dは変数の次元を表す工程(3)とを含む。
工程2(2)において、問題物質に対する編集が行われる方式は、dが2より小さいか等しい場合、二進数または十進数編集法が選択され、dが2より大きい場合、実数編集法が選択される。
目的関数値は最大化の問題に対する適合度関数値または最小化の問題に対するコスト関数値である。
(1)最適化過程の構造が簡単になり、必要な制御パラメータが少なく、計算の難度が低く、操作が便利である。
(2)遺伝的アルゴリズム及び遺伝的プログラミングの大域的最適化及び後期進化の持続可能性が増強される。
(3)大域的最適化、検索及び機械学習等の問題の最適解集合の収束がより速くなり、精度が更に高まる。
(4)応用の展望及び応用分野がより広がる。
1)複雑な問題の最適化では明確な数式が不要であるため、このような問題を解決する有力なツールとなる。
2)複雑なシステムの分析では、進化的計算を応用することでクラスタ分析、パターン認識、画像処理、組織スケジュール等の作業を実施し、乱雑で複雑な物事を方式化可能にする。
3)自動制御。進化的計算技術は自己適応、自己学習、自己組織化という知的行為を実行でき、環境の変化に適応し、変動を減少させ、高い制御精度、制御の即時性及び高速性を保証する。
4)ハードウェアの自動設計では、複雑な回路設計及び自己適応ハードウェア分野に新しい方法を提供する。
5)自動プログラム設計。遺伝的プログラム設計に基づいて発展した自動プログラム設計方法は、進化的ソフトウェアの研究を発展させる。すなわち、コンピューターに対して具体的な方法を精確に教えなくてもコンピューターが自動的にタスクを完遂する。
6)総合的な応用。他の技術と結合され、それぞれの特徴を発揮させて問題を総合的に解決させる。例えば、遺伝的アルゴリズム及び人工ニューラルネットワークを結合させて機械学習等の問題を解決させる。
2つのテスト関数に対し、本発明に係るアルゴリズム及び通常の遺伝的アルゴリズムの解の検索の平均値、標準差、最適性、及び精度の結果を表2及び表3にそれぞれ示す。
人工ニューラルネットワーク(Artificial Neural Networks、略称ANNs)はニューラルネットワーク(NNs)とも呼ばれ、動物のニューラルネットワークの振る舞いの特徴を模倣し、分散式並行情報処理及び機械学習のアルゴリズムモデルを実現させる。このネットワークは相互接続されたノンリニアニューロンノードに依存し、ノード間の相互接続関係及び比重を調整することにより情報の処理及び学習、記憶させる目的が達成される。図7は簡単なニューラルネットワークを図示し、円はニューロンを表し、入力点「−1」はバイアスノードと称される。ニューラルネットワークの最も左側の層は入力層であり、最も右側の層は出力層である。中間の全てのノードにより隠蔽層が構成され、訓練サンプルセット中でこれらの値を直接観察することはできない。また、前記ニューラルネットワークの機械学習の実施例において、2つの入力ユニット(バイアスユニットを含まず)、2つの隠蔽ユニット、及び1つの出力ユニットを観察することができる。
本発明の大域的最適化、検索及び機械学習の技術方法によりニューラルネットワークが実現する排他的論理和問題を解決し、訓練ネットワークの重み値はwnであり、具体的な実施フローチャートは図1及び図2に示す。
工程(1)、まず、通常の遺伝的アルゴリズムの作動モードに基づくと、S=90であり(一般的にはパラメータ変数の次元の10倍)、変数の次元d=9であり、W取得値の範囲は−5から4.9であり、遺伝率としてpc=0.6が採用され、変異率としてpm=0.05が採用される。
工程(2)、その後に問題物質の最適化が必要な構造及びそのパラメータに対して十進数の編集が行われ、個体遺伝子鎖、染色体、及び解候補群が形成され、遺伝子鎖長Lが確定される。ここでは、二桁の十進数が重み値の編集方法を説明するために採用され、具体的には表5に示し、遺伝子鎖長L=2×d=2×9=18である。例えば、W={w1,w2,w3,w4,w5,w6,w7,w8,w9}={−5,−4.9,−4.8,−4.7,0.0,4.6,4.7,4.8,4.9}であり、編集形式はWc={000102035096979899}である。
工程(1)、個体評価。表4によると、訓練入力マトリクスは
工程(2)、図2に示すように、ラマルクの「遺伝オペレーター」の書き換え操作が実行されて新しい解候補群G’k+1が生成され、以下の工程を含む。
工程(2a)、交叉率pcに基づいて2つの親染色体(すなわち、親解候補の遺伝子クラスタ)がランダムに選択され、すなわち(0,1]の間の1つの乱数rがランダムに生成され、r<pcである場合、2つの親染色体が選択され、さもなくば選択がなされず、乱数rの生成が継続される。例えば、Pi1 k={x1 k(i1),x2 k(i1),・・・,xj k(i1)}d j=1及びPi2 k={x1 k(i2),x2 k(i2),・・・,xj k(i2)}d j=1となる。
工程(2b)、2つの染色体の適合度関数値f(Pi1 k)及びf(Pi2 k)が比較される。例えば、f(Pi1 k)>f(Pi2 k)である場合、f(Pi1 k)は子世代に遺伝され、より多くの遺伝子となる。遺伝子の遺伝の百分率ptが下記のように計算される。
工程(2d)、上述の工程(2a)乃至工程(2c)の過程がpcS回重複して実行され、書き換え操作後の新しい解候補の臨時群G’k+1が生成される。
書き換え回数がNp=pcS(0.6×90=54。積が整数ではない場合、切り上げて整数にする)より多いか等しい場合、書き換え操作が終了し、書き換え回数が54より少ない場合、継続して工程(2a)乃至工程(2c)が繰り返し実行される。
粒子フィルターアルゴリズムはノンリニア信号処理における重要な技術であり、システムモデル特性及びノイズ分布による制限を受けず、他のフィルター技術よりも高い適用性を有する。然しながら、粒子フィルターアルゴリズムの性能は自身の粒子窮乏化問題の制限を受ける。本発明に係るアルゴリズムを利用することで粒子フィルターアルゴリズムの再サンプリング過程における粒子欠乏問題が解決され、粒子分布が最適化され、粒子サンプルが実際の事後確率密度サンプルに更に近付き、フィルター性能が向上する。
工程(1)、まず、通常の遺伝的アルゴリズムの作動モードに基づいて、群の大きさS=N=10が確定される。Nは粒子数であり、変数の次元はd=1であり、交叉率はpc=0.9であり、変異率pm=0.05である。
工程(2)、その後、問題物質の最適化には構造及びパラメータの編集が必要であり、個体遺伝子鎖、染色体及び候選群が形成され、遺伝子鎖長Lが確定される。ここでは、固定有効桁数lx=7の浮動小数点数が採用されて各重点サンプリング粒子値が編集され、すなわちシステムの状態値xである。各染色体は1つの粒子の浮動小数点数形式を表し、浮動小数点数値の一桁目は符号桁を表し、「1」は正数であり、「0」は負数である。遺伝子クラスタの長さは固定有効桁数であり、すなわちL=d×lx=1×7である。例えば、k時間のi番目の粒子状態値がx=10.4711である場合、その浮動小数点数編集形式はxc=(1104711)となる。
工程(3)、最後に、問題物質の変数の取得範囲に基づいて初期化が行われ、1組の初期解候補がランダムに生成される。ここでは、粒子自身の初期化工程に基づいてランダムに生成される。k=0である場合、各染色体Pi 0は粒子状態値の編集形式がxc={x1 0(i),x2 0(i),・・・,xd 0(i)}となり、すなわちpi 0={xj 0(i),j=1,・・・,d}となり、xj 0(i)はコードの各桁であり、初期群はG0={Pi 0,i=1,2,・・・,S}とする。
工程(1)、個体評価では、粒子重み値の公式に基づいて、群Gk中の各個体Pi kがxとして解読された後の適応度が計算され、ここでは最大値問題に属する。例えば、f(Pi1 k)=0.5779であり、f(Pi2 k)=0.4221である。
工程(2a)、遺伝率pcに基づいて2つの親染色体(すなわち、親解候補の遺伝子クラスタ)がランダムに選択され、例えば、Pi1 k={x1 k(i1),x2 k(i1),・・・,xj k(i1)}d j=1及びPi2 k={x1 k(i2),x2 k(i2),・・・,xj k(i2)}d j=1となる。
工程(2b)、2つの染色体適合度関数値f(Pi1 k)及びf(Pi2 k)の比較が行われる。例えば、f(Pi1 k)>f(Pi2 k)である場合、Pi1 kが子世代に遺伝されてより多くの遺伝子となる。遺伝子の遺伝の百分率ptの計算は
工程(2c)、遺伝オペレーターが操作され、書き換え操作が実行される。適応度の高い染色体が保留され、適応度の高い染色体上のnt個の遺伝子が適応度が低い染色体の対応する位置上に書き換えされ、新しい染色体が形成される。対応して書き換えられることにより適応度の高い染色体上の選択位置の遺伝子が適応度が低い染色体の対応する位置上に書き換えられ、以降同様であり、基本的なフローチャートは図2に示す。上述の工程に基づくと、Pi2 k中の7×3/5≫5個のコードビットがPi1 k中のコードビットにより書き換えられる。
工程(2d)、上述の工程(2a)乃至(2c)の過程がpcS回繰り返し実行され、書き換え操作の後に新しい解候補の臨時群G’k+1が生成される。
Claims (16)
- 最適化、検索並びに機械学習された問題物質の構造の目的関数f(x)に基づく工程1と、
問題物質の最適化要求に基づいて問題物質が遺伝的アルゴリズムの染色体として編集された後、遺伝的アルゴリズムの操作パラメータの自動計算または手動入力が行われ、且つアルゴリズムの初期化が行われる工程2と、
問題物質の最適化要求に基づいて、第k世代解候補群がGkと設定され、且つGk={P1 k,P2 k,・・・,Pi k,・・・,PS k}であり、Pi kは解候補群Gk中の第i番染色体コードを表し、Sは群の大きさを表し、反復最適化法によりk+1世代群Gk+1が獲得され、すなわちGk+1={P1 k+1,P2 k+1,・・・,Pi k+1,・・・,PS k+1}であり、Pi k+1は群Gk+1中の第i番染色体コードを表し、Sは群の大きさを表す工程3と、
問題物質の最終最適解集合が出力される工程4とを含み、
工程3の最適化過程は、
解候補群Gk中の各染色体コードPi kが解読された後に対応する目的関数値の大きさの計算が行われる個体の評価工程(1)と、
ラマルクの獲得形質の遺伝オペレーターの書き換え操作が実行され、臨時群G’k+1が生成される工程(2)と、
ラマルクの使用と廃止オペレーターが使用されて臨時群G’k+1に対して定方向突然変異操作が実行され、新しい解候補群Gk+1が獲得される工程(3)と、
工程(1)から工程(3)が所定の終了条件を満たすまで反復して行われる工程(4)と、
解読後の前記最適解が今回の最適化計算要求を満たすか否かの評価が下され、要求を満たしている場合は最終最適解集合が獲得され、要求を満たしていない場合は操作パラメータが修正され、最終最適解集合が得られるまで再計算が行われる工程(5)とを含み、
ここでは、工程(2)は、
交叉率pcに基づいて解候補群Gk中から2つの染色体コードがランダムに選択され、2つの染色体コードの目的関数値fm及びfnの大きさが比較され、且つ遺伝子の遺伝の百分率ptが計算され、pt=fm/(fm+fn),fm>fnとなる工程(2a)と、
次世代に遺伝される遺伝子数ntが計算され、nt=L・ptとなり、Lは遺伝子鎖長を表し、ptは遺伝子の遺伝の百分率を表す工程(2b)と、
目的関数値の大きい染色体コードが保留され、目的関数値の大きい染色体コード上のnt番目の遺伝子が目的関数値が小さい染色体コードに対応する位置に書き換えられ、新しい染色体コードが形成される工程(2c)と、
上記工程(2a)−(2c)がpcS回繰り返し行われ、書き換え操作後の臨時群G’k+1が生成される工程(2d)とをさらに含むことを特徴とするラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。 - 工程2において、初期化方法は、
まず、遺伝的アルゴリズムの作動モードに基づいて、解候補群の大きさS、変数の次元d、変数の取得範囲、交叉率pc、変異オペレーター中の内部パラメータ等の操作パラメータが確定される工程(1)と、
その後、問題物質に対する編集が行われ、個体遺伝子鎖、染色体、及び解候補群が形成され、遺伝子鎖長Lが確定される工程(2)と、
最後に、問題物質の変数の取得範囲に基づいて初期化が行われ、1組の初期解候補がランダムに生成され、k=0である場合、各染色体ゲノムは{x1 0(i),x2 0(i),・・・,xd 0(i)}であり、すなわちPi 0={xj 0(i),j=1,・・・,d}であり、初期群はG0={Pi 0,i=1,2,・・・,S}とし、Sは群の大きさを表し、dは変数の次元を表す工程(3)とを含むことを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。 - 工程3の工程(1)において、個体評価には複数のプロセッサーまたは複数のコンピューターが使用されることを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程3の工程(2)において、ラマルクの遺伝オペレーターの書き換え操作時に書き換えられるnt個の遺伝子はランダムに選択されることを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程3の工程(3)において、突然変異操作には通常の遺伝的アルゴリズム中の非定方向突然変異法が採用され、変異率をpmとする一様突然変異法を含むことを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程3の工程(3)において、突然変異操作にはラマルクの「使い捨てオペレーター(Use−and−Disuse Operator)」の自然法に基づいた「使用と廃止オペレーター」が採用され、すなわち定方向突然変異法が実施され、勾配最適化法及び非勾配最適化法を含むことを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 定方向突然変異の勾配最適化法は、勾配情報が獲得された状況において、勾配の符号及び大きさに基づいて変異の方向及びステップ長さが確定される方法を含むことを特徴とする請求項6に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 定方向突然変異の非勾配最適化法は山登りアルゴリズム、アニーリングアルゴリズム、シンプレックス法、パターン検索、またはパウエルの共役方向法を含むことを特徴とする請求項6に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程3の工程(2)及び工程3の工程(3)において、各世代中のエリート染色体コードは遺伝オペレーター及び変異オペレーターによる改変を受けないことを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程3の工程(5)において、最適解が今回の最適化計算の要求を満たせない場合、操作パラメータ中の交叉率または変異オペレーター中の内部パラメータが修正されることを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程3の工程(5)において、最適解が今回の最適化計算の要求を満たせない場合、操作パラメータ中の群の大きさ及び/または反復回数が増大されることを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程2で確定される交叉率及び変異オペレーター中の内部パラメータは、工程3の過程において、進化の状態に基づいて自動調整されることを特徴とする請求項1に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程2において、問題物質の編集により獲得された染色体上の遺伝子コードは問題物質の構造または構造の数値パラメータを表すことを特徴とする請求項1または2に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程2において、問題物質に対する編集が行われる方式は、dが2より小さいか等しい場合、二進数または十進数編集法が選択され、dが2より大きい場合、実数編集法が選択されることを特徴とする請求項13に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- 工程2において、問題物質の遺伝子コードは算術演算子または論理演算子でもよいことを特徴とする請求項13に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
- ラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法は構造が自由化される「獲得形質の遺伝的プログラミング」に応用されることを特徴とする請求項15に記載のラマルクの獲得形質の遺伝原理に基づく大域的最適化、検索並びに機械学習法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710437829.1 | 2017-03-10 | ||
CN201710140258.5 | 2017-03-10 | ||
CN201710140258 | 2017-03-10 | ||
CN201710437829.1A CN107229972A (zh) | 2017-03-10 | 2017-06-12 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
PCT/CN2017/089285 WO2018161468A1 (zh) | 2017-03-10 | 2017-06-21 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019516148A true JP2019516148A (ja) | 2019-06-13 |
JP6697566B2 JP6697566B2 (ja) | 2020-05-20 |
Family
ID=59934834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018538208A Expired - Fee Related JP6697566B2 (ja) | 2017-03-10 | 2017-06-21 | 遺伝的アルゴリズムに基づく大域的最適化、検索並びに機械学習法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20180260714A1 (ja) |
EP (1) | EP3422261A4 (ja) |
JP (1) | JP6697566B2 (ja) |
CN (1) | CN107229972A (ja) |
WO (1) | WO2018161468A1 (ja) |
Families Citing this family (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019101836A1 (en) * | 2017-11-22 | 2019-05-31 | Deepmind Technologies Limited | Population based training of neural networks |
CN108268359A (zh) * | 2017-12-30 | 2018-07-10 | 浙江中睿低碳科技有限公司 | 基于深度学习的空压站的优化方法 |
CN109408883B (zh) * | 2018-09-19 | 2022-11-08 | 合肥工业大学 | 一种基于环境性能需求的产品进化设计决策方法 |
CN109118023B (zh) * | 2018-09-21 | 2022-03-01 | 北京交通大学 | 一种公共交通线网优化方法 |
CN109766562B (zh) * | 2018-09-27 | 2023-04-07 | 中原工学院 | 基于遗传算法和粒子群组合算法的摆线轮齿廓修形方法 |
CN109359773A (zh) * | 2018-10-23 | 2019-02-19 | 天津工业大学 | 一种基于自适应遗传算法的无线供电路径配置方法 |
CN109472114B (zh) * | 2018-12-13 | 2022-10-11 | 河南工业大学 | 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 |
CN109623814B (zh) * | 2018-12-14 | 2023-09-08 | 中南大学 | 一种机械臂控制方法 |
CN109636051A (zh) * | 2018-12-19 | 2019-04-16 | 中建八局第三建设有限公司 | 基于ga的一次泵变流量系统运行参数优化方法 |
CN109934344B (zh) * | 2018-12-20 | 2022-10-04 | 西安理工大学 | 一种改进的基于规则模型的多目标分布估计方法 |
CN110059825B (zh) * | 2019-02-19 | 2023-04-07 | 西安理工大学 | 一种基于改进遗传算法的快速最短枝切搜索方法 |
CN109993310B (zh) * | 2019-04-16 | 2023-03-24 | 西安电子科技大学 | 基于fpga的并行量子进化实现方法 |
US20210287128A1 (en) * | 2019-08-08 | 2021-09-16 | Lg Electronics Inc. | Artificial intelligence server |
CN110619454B (zh) * | 2019-08-09 | 2022-11-29 | 东北大学 | 一种基于改进遗传算法和prim算法的配电网规划方法 |
US11907821B2 (en) | 2019-09-27 | 2024-02-20 | Deepmind Technologies Limited | Population-based training of machine learning models |
CN110879778B (zh) * | 2019-10-14 | 2023-09-26 | 杭州电子科技大学 | 一种新的动态反馈和改进型补丁评价的软件自动修复方法 |
CN110826775B (zh) * | 2019-10-23 | 2023-04-18 | 武汉理工大学 | 一种用于减速器的并行拆卸序列规划方法及系统 |
CN110826714B (zh) * | 2019-10-29 | 2024-02-27 | 大连海事大学 | 一种岩质基坑爆破参数动态调控方法 |
CN111080517B (zh) * | 2019-11-26 | 2023-04-28 | 河北工业大学 | 基于改进蝴蝶优化算法的三维点云拼接方法 |
CN110826819B (zh) * | 2019-11-27 | 2023-04-07 | 上海海事大学 | 一种自动化集装箱码头车辆的路径规划方法 |
CN111291465B (zh) * | 2020-01-10 | 2023-10-03 | 上海海事大学 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
CN111242382B (zh) * | 2020-01-18 | 2022-03-01 | 国网山东省电力公司菏泽供电公司 | 基于量子遗传算法的传声器阵列布置优化方法 |
CN111461402B (zh) * | 2020-03-06 | 2024-03-26 | 上海汽车集团股份有限公司 | 物流排程优化方法及装置、计算机可读存储介质、终端 |
CN111325284A (zh) * | 2020-03-09 | 2020-06-23 | 武汉大学 | 一种基于多目标动态分布自适应学习方法及装置 |
CN113469352A (zh) * | 2020-03-31 | 2021-10-01 | 上海商汤智能科技有限公司 | 神经网络模型的优化方法、数据处理方法及装置 |
CN111399558B (zh) * | 2020-04-27 | 2023-09-22 | 北京工业大学 | 一种基于知识选择的污水处理过程多目标优化控制方法 |
CN111581583B (zh) * | 2020-05-09 | 2024-02-06 | 陕西宝成航空仪表有限责任公司 | 基于改进投影寻踪的地磁图适配性综合评价方法 |
CN111639822B (zh) * | 2020-06-09 | 2023-08-04 | 安庆师范大学 | 一种基于0-1背包问题分析的快递分配方法 |
CN111736133B (zh) * | 2020-06-15 | 2023-06-30 | 西安电子科技大学 | 基于改进ga-sqp的mimo雷达正交波形设计方法 |
CN111724064B (zh) * | 2020-06-20 | 2023-01-10 | 国网福建省电力有限公司 | 一种基于改进免疫算法的含储能配电网规划方法 |
CN111832165A (zh) * | 2020-07-02 | 2020-10-27 | 中国人民解放军战略支援部队信息工程大学 | 一种测控设备布站优化方法及装置 |
CN112036566A (zh) * | 2020-08-03 | 2020-12-04 | 上海明略人工智能(集团)有限公司 | 使用遗传算法选取特征的方法和装置 |
CN112116672B (zh) * | 2020-08-13 | 2024-02-02 | 河南大学 | 基于遗传算法的彩色图像保存缩略图加密算法 |
CN112016663B (zh) * | 2020-08-24 | 2022-11-11 | 郑州大学 | 一种基于群体智能优化算法的高聚物浆液参数识别方法 |
CN112069731A (zh) * | 2020-09-02 | 2020-12-11 | 中国航空无线电电子研究所 | 一种基于遗传算法的飞行仿真机动控制优化方法 |
CN112102366B (zh) * | 2020-09-24 | 2024-04-02 | 湘潭大学 | 基于动态目标的无人机跟踪改进算法 |
CN112395804B (zh) * | 2020-10-21 | 2022-02-18 | 青岛民航凯亚系统集成有限公司 | 飞机二次能源系统冷量分配方法 |
CN112270398B (zh) * | 2020-10-28 | 2024-05-28 | 西北工业大学 | 一种基于基因编程的集群行为学习方法 |
CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调系统节能优化方法及系统 |
CN112327327B (zh) * | 2020-11-05 | 2022-08-05 | 哈尔滨工业大学 | 一种基于遗传算法的激光雷达成像质量探测方法及系统 |
CN112466393B (zh) * | 2020-11-12 | 2024-02-20 | 苏州大学 | 基于自适应免疫遗传算法的代谢标志物组群识别方法 |
CN112308229B (zh) * | 2020-11-26 | 2023-11-24 | 西安邮电大学 | 基于自组织映射的动态多目标演化优化方法 |
CN112836337A (zh) * | 2020-12-21 | 2021-05-25 | 南京航空航天大学 | 一种基于免疫优化算法的iGPS发射器布局优化方法 |
CN112711800B (zh) * | 2020-12-29 | 2022-10-11 | 中国航空工业集团公司西安飞机设计研究所 | 一种金属机翼强度与刚度参数优化设计方法 |
CN112822043A (zh) * | 2020-12-31 | 2021-05-18 | 扆亮海 | 预防局部极优的高质量网络服务组合方法 |
CN112733238B (zh) * | 2021-01-11 | 2021-09-28 | 中交第四航务工程勘察设计院有限公司 | 一种高桩墩台桩位优化方法 |
CN112749776B (zh) * | 2021-01-12 | 2023-08-15 | 南京信息工程大学 | 一种基于改进混合遗传算法的作业车间调度方法 |
CN112836426A (zh) * | 2021-01-14 | 2021-05-25 | 西北工业大学 | 基于改进遗传算法的航空发动机最大推力控制优化方法 |
CN112836300B (zh) * | 2021-02-09 | 2024-02-13 | 北京卫星环境工程研究所 | 航天器外热流模拟装置加热回路自动集束算法 |
CN113159376A (zh) * | 2021-03-12 | 2021-07-23 | 国网河北省电力有限公司检修分公司 | 一种基于遗传-分布估计算法的电力检修工序优化方法 |
CN112949859A (zh) * | 2021-04-16 | 2021-06-11 | 辽宁工程技术大学 | 一种改进的遗传聚类算法 |
CN113326917B (zh) * | 2021-04-29 | 2024-06-25 | 开放智能机器(上海)有限公司 | 一种基于遗传算法的自动优化算子的方法和系统 |
CN113255913A (zh) * | 2021-06-08 | 2021-08-13 | 上海对外经贸大学 | 一种融合区块链技术的演化方法 |
CN113343589B (zh) * | 2021-06-30 | 2022-07-26 | 西南石油大学 | 一种基于遗传-随机常数的基因表达式编程的酸性天然气水合物生成条件预测方法 |
CN113326665B (zh) * | 2021-06-30 | 2022-06-14 | 西南石油大学 | 一种基于遗传规划的酸性天然气水合物生成温度预测方法 |
CN113705081B (zh) * | 2021-07-22 | 2024-03-29 | 杭州电子科技大学 | 一种基于集束搜索进化算法的产品族设计优化方法 |
CN113625375B (zh) * | 2021-08-02 | 2022-07-12 | 福州大学 | 一种基于遗传算法优化的准周期超透镜 |
CN113761730B (zh) * | 2021-08-27 | 2023-09-29 | 浙江理工大学 | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 |
CN113836797A (zh) * | 2021-09-01 | 2021-12-24 | 西安石油大学 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
CN113867358B (zh) * | 2021-10-13 | 2023-08-29 | 中国人民解放军陆军工程大学 | 多无人车协同遍历任务的智能路径规划方法 |
CN114117907B (zh) * | 2021-11-24 | 2024-04-16 | 大连大学 | 一种基于tqa算法的减速器设计方法 |
CN114118845B (zh) * | 2021-12-03 | 2023-06-30 | 国网江苏省电力有限公司泰州供电分公司 | 一种无人机任务匹配方法、装置及智能柜 |
CN114584337A (zh) * | 2021-12-16 | 2022-06-03 | 南京理工大学 | 一种基于遗传算法的语音攻击伪造方法 |
CN114401211B (zh) * | 2022-01-17 | 2023-05-12 | 重庆邮电大学 | 一种工业无线网络设备接入IPv6网络的测试系统及测试方法 |
CN114792070B (zh) * | 2022-05-12 | 2023-02-03 | 北京化工大学 | 一种基于混合智能算法的地铁安全防撞时刻表优化方法 |
CN114997360B (zh) * | 2022-05-18 | 2024-01-19 | 四川大学 | 神经架构搜索算法的演化参数优化方法、系统及存储介质 |
CN115659771B (zh) * | 2022-11-14 | 2023-04-28 | 山东科技大学 | 一种基于激光雷达的气溶胶粒径反演方法 |
CN116301904B (zh) * | 2023-05-18 | 2023-08-22 | 之江实验室 | 一种用于深度学习编译器的算子优化加速方法及装置 |
CN116684135B (zh) * | 2023-06-02 | 2023-12-29 | 中国兵器工业信息中心 | 一种基于改进sga的武器装备网络攻击面评估方法 |
CN116801288B (zh) * | 2023-06-25 | 2024-01-26 | 中电佰联通信科技南京有限公司 | 基于粒子群与遗传算法的自组织网络拓扑优化方法和系统 |
CN116992758B (zh) * | 2023-07-17 | 2024-06-14 | 江苏科技大学 | 一种基于机器学习的复杂机械智能装配方法 |
CN117196019B (zh) * | 2023-07-27 | 2024-03-08 | 南京中禹智慧水利研究院有限公司 | 基于改进自适应遗传算法的新安江模型参数率定方法 |
CN117422114B (zh) * | 2023-12-19 | 2024-04-09 | 电子科技大学(深圳)高等研究院 | Ai加速器的优化方法及ai加速器 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10307870A (ja) * | 1997-05-08 | 1998-11-17 | Kajima Corp | 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体 |
JP2004355220A (ja) * | 2003-05-28 | 2004-12-16 | Nec Soft Ltd | 探索時間短縮化システム、探索時間短縮化方法及びそのプログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040044633A1 (en) * | 2002-08-29 | 2004-03-04 | Chen Thomas W. | System and method for solving an optimization problem using a neural-network-based genetic algorithm technique |
CN101630380A (zh) * | 2009-07-08 | 2010-01-20 | 西安电子科技大学 | 基于多种群进化机制的作业车间调度方法 |
CN103279796A (zh) * | 2013-06-08 | 2013-09-04 | 苏州大学 | 一种优化遗传算法进化质量的方法 |
CN106326988A (zh) * | 2016-09-06 | 2017-01-11 | 景德镇陶瓷大学 | 一种基于快速匹配机制面向复杂计算的改进遗传方法 |
-
2017
- 2017-06-12 CN CN201710437829.1A patent/CN107229972A/zh active Pending
- 2017-06-21 JP JP2018538208A patent/JP6697566B2/ja not_active Expired - Fee Related
- 2017-06-21 WO PCT/CN2017/089285 patent/WO2018161468A1/zh active Application Filing
- 2017-06-21 EP EP17899753.2A patent/EP3422261A4/en not_active Withdrawn
-
2018
- 2018-03-09 US US15/917,142 patent/US20180260714A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10307870A (ja) * | 1997-05-08 | 1998-11-17 | Kajima Corp | 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体 |
JP2004355220A (ja) * | 2003-05-28 | 2004-12-16 | Nec Soft Ltd | 探索時間短縮化システム、探索時間短縮化方法及びそのプログラム |
Also Published As
Publication number | Publication date |
---|---|
EP3422261A4 (en) | 2019-06-19 |
EP3422261A1 (en) | 2019-01-02 |
JP6697566B2 (ja) | 2020-05-20 |
WO2018161468A1 (zh) | 2018-09-13 |
US20180260714A1 (en) | 2018-09-13 |
CN107229972A (zh) | 2017-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6697566B2 (ja) | 遺伝的アルゴリズムに基づく大域的最適化、検索並びに機械学習法 | |
He et al. | Evolutionary multiobjective optimization driven by generative adversarial networks (GANs) | |
Ahvanooey et al. | A survey of genetic programming and its applications | |
Li et al. | Memetic Harris Hawks Optimization: Developments and perspectives on project scheduling and QoS-aware web service composition | |
Han et al. | A survey on metaheuristic optimization for random single-hidden layer feedforward neural network | |
Zhang et al. | AS-NAS: Adaptive scalable neural architecture search with reinforced evolutionary algorithm for deep learning | |
Farasat et al. | ARO: A new model-free optimization algorithm inspired from asexual reproduction | |
Ganatra et al. | Initial classification through back propagation in a neural network following optimization through GA to evaluate the fitness of an algorithm | |
Vergidis et al. | Business process improvement using multi-objective optimisation | |
Chaves-Gonzalez et al. | Software requirement optimization using a multiobjective swarm intelligence evolutionary algorithm | |
Acilar et al. | Optimization of multiple input–output fuzzy membership functions using clonal selection algorithm | |
Azadeh et al. | Optimum estimation of missing values in randomized complete block design by genetic algorithm | |
Gong et al. | Immune secondary response and clonal selection inspired optimizers | |
Krömer et al. | Differential evolution for the optimization of low-discrepancy generalized Halton sequences | |
Djelloul et al. | Quantum inspired cuckoo search algorithm for graph colouring problem | |
Sharma et al. | Line-prioritized environmental selection and normalization scheme for many-objective optimization using reference-lines-based framework | |
Liu et al. | Noisy multi-objective optimization algorithm based on gaussian model and regularity model | |
Remya | An adaptive neuro-fuzzy inference system to monitor and manage the soil quality to improve sustainable farming in agriculture | |
Pradhan et al. | Solving the 0–1 knapsack problem using genetic algorithm and rough set theory | |
Thaher et al. | Enhanced variants of crow search algorithm boosted with cooperative based island model for global optimization | |
Kawa et al. | Designing convolution neural network architecture by utilizing the complexity model of the dataset | |
Lefort et al. | Simultaneous optimization of weights and structure of an RBF neural network | |
Strasser et al. | Convergence of factored evolutionary algorithms | |
Gao et al. | Bpnn-Based Image Restoration Algorithm Optimized Using Hybrid Genetic Algorithm | |
Dixit et al. | Quantum entanglement inspired differential evolution algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180714 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190724 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190806 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20190918 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191029 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20191113 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200310 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20200310 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20200319 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20200324 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200414 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200424 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6697566 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |