利用新颖性偏置遗传算法采样满足约束的图多样性
物理与社会
2015-03-29 v1 神经与进化计算
社会与信息网络
组合数学
摘要
许多复杂系统（无论是人工的还是自然的） underlying 的网络结构在这些系统的运行方式中起着重要作用。因此，人们非常重视使用网络理论指标来准确描述网络。然而，在生成具有相似属性的网络时，可用的技术和可控制的属性仍然有限。此外，虽然越来越清楚的是，目前用于控制此类网络生成的一些指标规范性不强，以至于网络在这些约束内可能表现出非常不同的高阶结构，但网络生成算法通常产生相当人为设计的网络，并且缺乏系统探索网络解空间的机制。在本文中，我们探索了多目标新颖性偏置遗传算法 (GA) 作为这些算法可行替代方案的潜力。我们相信我们的结果提供了首个原理性证明，即 (i) 可以使用遗传算法生成满足关键经典图论属性设定水平的图，以及 (ii) 可以在这些约束内生成多样化的解。然而，本文仅是初步步骤，我们确定了进一步发展的关键途径。
引用
@article{arxiv.1503.06342,
title = {Using novelty-biased GA to sample diversity in graphs satisfying constraints},
author = {Peter Overbury and Luc Berthouze},
journal= {arXiv preprint arXiv:1503.06342},
year = {2015}
}
备注
Extended version of a short paper accepted for publication in Proceedings of Genetic and Evolutionary Computation Conference (GECCO'15)