तंत्रिका विकास

From Vigyanwiki
Revision as of 10:03, 23 August 2023 by Manidh (talk | contribs)
(diff) ← Older revision | Latest revision (diff) | Newer revision → (diff)
Not to be confused with तंत्रिका तंत्र का विकास, तंत्रिका विकास, or तंत्रिका डार्विनवाद.

तंत्रिका विकास या न्यूरो-इवोल्यूशन, कृत्रिम बुद्धिमत्ता (आर्टिफीशियल इंटीलिजेंस) का ऐसा रूप है, जो कृत्रिम तंत्रिका नेटवर्क (एएनएन), पैरामीटर और इसके विभिन्न नियमों को उत्पन्न करने के लिए विकासवादी कलन विधि का उपयोग करता है।[1] इसका प्रयोग सबसे अधिक कृत्रिम जीवन, सामान्य खेल-कूद में और इसी के साथ ही विकासवादी रोबोटिक्स किया जाता है।[2] इसका मुख्य लाभ यह है कि तंत्रिका विकास को पर्यवेक्षित शिक्षण की तुलना में अधिक व्यापक रूप से लागू किया जा सकता है, जिसके लिए सही इनपुट-आउटपुट जोड़े के पाठ्यक्रम की आवश्यकता होती है। इसके विपरीत, तंत्रिका विकास को किसी कार्य में नेटवर्क के प्रदर्शन को मापने की आवश्यकता होती है। उदाहरण के लिए, किसी खेल के परिणाम अर्ताथ, चाहे खिलाड़ी जीत रहा हो या हार रहा हो इसके वांछित रणनीतियों के लेबल वाले उदाहरण प्रदान किए बिना सरलता से मापा जा सकता है। इस प्रकार तंत्रिका विकास का उपयोग सामान्यतः सुदृढीकरण सीखने के प्रतिमान के इस भाग के रूप में उपयोग किया जाता है, और इसकी तुलना पारंपरिक गहन शिक्षण तकनीकों से की जा सकती है जो निश्चित टोपोलॉजी के साथ तंत्रिका नेटवर्क पर ढतले हुआ वंशाशैली का उपयोग करते हैं।

सुविधाएँ

इस प्रकार की कई तंत्रिकाओं के विकास में उपयोग की जाने वाली कलन विधि को परिभाषित किया गया है। जिसे सामान्य रूप से इनके बीचे के अंतर के आधार पर उन कलन विधि के बीच में इंगित करते है, जो निश्चित नेटवर्क टोपोलॉजी जिसे पारंपरिक तंत्रिका विकास कहा जाता है, जिसके लिए केवल कनेक्शन वेट की शक्ति को विकसित करते हैं, और इस कलन विधि के लिए जो नेटवर्क की टोपोलॉजी और उसके भार के अनुसार किसी टोपोलॉजी और वेट इवॉल्विंग आर्टिफिशियल न्यूरल नेटवर्क कलन विधि के लिए ट्विआंस कहा जाता है, जिसे दोनों के लिए विकसित करते हैं।

इन विधियों के बीच अलग से अंतर किया जा सकता है, जो एएनएन की संरचना को उसके मापदंडों के समानांतर विकसित करते हैं, जो इस प्रकार के विभिन्न मानकों वाले विकासवादी कलन विधि को लागू करते हैं और जो उन्हें अलग से विकसित करते हैं, इस प्रकार मेमेटिक कलन विधि के माध्यम से इसे प्रदर्शित किया जाता हैं।[3]

ग्रेडिएंट डिसेंट की तुलना

अधिकांश तंत्रिका नेटवर्क तंत्रिका विकास के अतिरिक्त ग्रेडिएंट डिसेंट का उपयोग करते हैं। चूंकि, 2017 के आसपास के समय में उबेर के शोधकर्ताओं ने कहा कि उन्होंने पाया है कि सरल संरचनात्मक तंत्रिका विकास कलन विधि परिष्कृत आधुनिक उद्योग-मानक ग्रेडिएंट-डिसेंट ध्यान लगा के पढ़ना या सीखना मुख्य रूप से कलन विधि के साथ प्रतिस्पर्धी थे, जिसके आधार पर आंशिक रूप से इस प्रकार तंत्रिका विकास के स्थानीय मिनीमा में फंसने की संभावना कम पाई गई थी। विज्ञान की पत्रिकाओं में पत्रकार मैथ्यू हटसन ने अनुमान लगाया कि तंत्रिका विकास के सफल होने का कारण जहां यह पहले विफल हो गया था वह 2010 के दशक में उपलब्ध कम्प्यूटेशनल शक्ति में वृद्धि के कारण है।[4]

यह दिखाया जा सकता है कि तंत्रिका विकास और ग्रेडिएंट डिसेंट के बीच का पत्राचार है।[5]

प्रत्यक्ष और अप्रत्यक्ष एन्कोडिंग

विकासवादी कलन विधि जीनोटाइप जिन्हें जीनोम भी कहा जाता है, जिसकी आबादी पर कार्य करते हैं। इस प्रकार के तंत्रिका विकास में, जीनोटाइप को तंत्रिका नेटवर्क फेनोटाइप में मैप किया जाता है जिसका मूल्यांकन उसके फिटनेस कार्य को प्राप्त करने के लिए किसी कार्य पर किया जाता है।

प्रत्यक्ष एन्कोडिंग योजनाओं में जीनोटाइप सीधे फेनोटाइप पर मैप होता है। तंत्रिका नेटवर्क में प्रत्येक न्यूरॉन और कनेक्शन सीधे और स्पष्ट रूप से जीनोटाइप में निर्दिष्ट होता है। इसके विपरीत, अप्रत्यक्ष एन्कोडिंग योजनाओं में जीनोटाइप अप्रत्यक्ष रूप से निर्दिष्ट करता है कि नेटवर्क कैसे उत्पन्न किया जाना चाहिए।[6]

अप्रत्यक्ष एन्कोडिंग का उपयोग अधिकांशतः कई उद्देश्यों को प्राप्त करने के लिए किया जाता है:[6][7][8][9][10]

  • मॉड्यूलैरिटी और अन्य नियमितताएं पायी जाती हैं,
  • फेनोटाइप को छोटे जीनोटाइप में संपीड़ित करना, छोटा खोज स्थान प्रदान करना सम्मिलित हैं,
  • खोज स्थान (जीनोम) को समस्या डोमेन पर मैप करना सम्मिलित हैं।

अप्रत्यक्ष एन्कोडिंग के लिए भ्रूणजन्य प्रणालियों का वर्गीकरण

परंपरागत रूप से अप्रत्यक्ष एन्कोडिंग जो कृत्रिम भ्रूणविज्ञान जिसे कृत्रिम विकास के रूप में भी जाना जाता है, जिसको व्याकरणिक दृष्टिकोण बनाम कोशिका रसायन विज्ञान दृष्टिकोण से वर्गीकृत किया गया है।[11] इसके पूर्व व्याकरणिक पुनर्लेखन प्रणालियों के रूप में नियमों के सेट विकसित करता है। इस प्रकार इसके उत्तरार्द्ध समय में यह नकल करने का प्रयास करता है कि जीन अभिव्यक्ति के माध्यम से जीव विज्ञान में भौतिक संरचनाएं कैसे उभरती हैं। इसके आधार पर अप्रत्यक्ष एन्कोडिंग प्रणालियाँ अधिकांशतः दोनों दृष्टिकोणों के पहलुओं का उपयोग करती हैं।

स्टेनली और मिइक्कुलैनेन[11]भ्रूणजन्य प्रणालियों के लिए वर्गीकरण का प्रस्ताव करें जिसका उद्देश्य उनके अंतर्निहित गुणों को प्रतिबिंबित करना है। इस प्रकार के वर्गीकरण को पांच सतत आयामों के साथ पहचाना जाता है, जिसके साथ किसी भी भ्रूणीय प्रणाली को रखा जा सकता है:

  • कोशिका (न्यूरॉन) भाग्य: परिपक्व फेनोटाइप में कोशिका की अंतिम विशेषताएँ और भूमिका हैं। यह आयाम किसी कोशिका के भाग्य का निर्धारण करने के लिए उपयोग की जाने वाली विधियों की संख्या की गणना करता है।
  • लक्ष्यीकरण: वह विधि जिसके द्वारा कनेक्शन को स्रोत कोशिकाओं से लक्ष्य कोशिकाओं तक निर्देशित किया जाता है। यह विशिष्ट लक्ष्यों को भेदने के आधार पर स्रोत और लक्ष्य स्पष्ट रूप से पहचाने जाते हैं, जिससे लेकर सापेक्ष लक्ष्यीकरण को उदाहरण के रूप में दूसरे के सापेक्ष कोशिकाओं के स्थानों के आधार तक सम्मिलित किया जाता है।
  • हेटेरोक्रोनी: भ्रूणजनन के दौरान घटनाओं का समय और घटना क्रम के आधार पर माना जाता हैं। इन घटनाओं के समय के परिवर्तन के लिए तंत्रों की संख्या की गणना करता है।
  • कैनालाइज़ेशन: जीनोम उत्परिवर्तन (भंगुरता) के प्रति कितना सहनशील है। सटीक जीनोटाइपिक निर्देशों की आवश्यकता से लेकर सटीक उत्परिवर्तन की उच्च सहनशीलता तक होती है।
  • जटिलीकरण: समय के साथ जीनोम (और इसलिए फेनोटाइप) के जटिलीकरण की अनुमति देने के लिए सिस्टम की क्षमता को विकासवादी कलन विधि और जीनोटाइप से फेनोटाइप मैपिंग सहित सम्मिलित किया जा सकता हैं। जिसके लिए केवल निश्चित आकार के जीनोम की अनुमति देने से लेकर अत्यधिक परिवर्तनशील लंबाई वाले जीनोम की अनुमति देने तक अभिव्यक्त किया जाता हैं।

उदाहरण

तंत्रिका विकास विधियों के उदाहरण (प्रत्यक्ष एन्कोडिंग वाले आवश्यक रूप से गैर-भ्रूणजनित होते हैं):

विधि एनकोडिंग विकासवादी कलन विधि विकसित पहलू
ई. रोनाल्ड द्वारा न्यूरो-जेनेटिक इवोल्यूशन, 1994[12] प्रत्यक्ष जेनेटिक एल्गोरिद्म नेटवर्क भार
एफ. ग्रुउ द्वारा सेल्युलर एनकोडिंग (सीई), 1994[8] अप्रत्यक्ष, भ्रूणजन्य (एस-अभिव्यक्तियों का उपयोग करके व्याकरण वृक्ष) आनुवंशिक प्रोग्रामिंग संरचना और पैरामीटर (एक साथ, जटिलता)
एंजेलिन एट अल द्वारा जीएनएआरएल, 1994[13] प्रत्यक्ष विकासवादी प्रोग्रामिंग संरचना और पैरामीटर (एक साथ, जटिलता)
याओ और लियू द्वारा ईपीनेट, 1997[14] प्रत्यक्ष विकासवादी प्रोग्रामिंग (बैकप्रॉपैगेशन और सिम्युलेटेड एनीलिंग के साथ संयुक्त) संरचना और पैरामीटर (मिश्रित, जटिलता और सरलीकरण)
स्टेनली और मिइक्कुलैनेन द्वारा न्यूरोइवोल्यूशन ऑफ़ ऑगमेंटिंग टोपोलॉजीज़ (एनईएटी), 2002[15][16] प्रत्यक्ष जेनेटिक एल्गोरिद्म जिसके लिए विभिन्न टोपोलॉजी के बीच क्रॉसओवर की अनुमति देने के लिए ऐतिहासिक चिह्नों के साथ जीन को ट्रैक करता है, प्रजातिकरण के माध्यम से नवाचार की रक्षा करता है। संरचना और पैरामीटर
हाइपरक्यूब-आधारित न्यूरोइवोल्यूशन ऑफ़ ऑगमेंटिंग टोपोलॉजीज़ (हाइपरएनईएटी) स्टैनली, डी'अम्ब्रोसियो, गौसी द्वारा, 2008[7] प्रत्यक्षतः गैर-भ्रूणजन्य (हाइपरक्यूब के भीतर एक कंपोजिटल पैटर्न-उत्पादक नेटवर्क (सीपीपीएन) द्वारा उत्पन्न स्थानिक पैटर्न को निचले-आयामी स्थान में कनेक्टिविटी पैटर्न के रूप में व्याख्या किया जाता है) जेनेटिक एल्गोरिद्म CPPN को विकसित करने के लिए एनईएटी एल्गोरिथम (ऊपर) का उपयोग किया जाता है। पैरामीटर, संरचना तय (कार्यात्मक रूप से पूरी तरह से जुड़ा हुआ)
रिसी, स्टेनली 2012 द्वारा इवोल्वेबल सब्सट्रेट हाइपरक्यूब-आधारित न्यूरोइवोल्यूशन ऑफ ऑगमेंटिंग टोपोलॉजी (ईएस-हाइपरनीट)[10] प्रत्यक्षतः, गैर-भ्रूणजन्य (हाइपरक्यूब के भीतर एक कंपोजिटल पैटर्न-उत्पादक नेटवर्क (सीपीपीएन) द्वारा उत्पन्न स्थानिक पैटर्न को निचले-आयामी स्थान में कनेक्टिविटी पैटर्न के रूप में व्याख्या किया जाता है) जेनेटिक एल्गोरिद्म। CPPN को विकसित करने के लिए एनईएटी एल्गोरिथम (ऊपर) का उपयोग किया जाता है। पैरामीटर और नेटवर्क संरचना
कसाहुन और सोमर द्वारा तंत्रिका टोपोलॉजी का विकासवादी अधिग्रहण (ईएएनटी/ईएएनटी2), 2005[17] / सीबेल और सोमर, 2007[18] प्रत्यक्ष और अंतःप्रत्यक्ष, संभावित भ्रूणजन्य (सामान्य आनुवंशिक एन्कोडिंग)।[6]) विकासवादी योजनाएं/विकास रणनीतियाँ संरचना और पैरामीटर (अलग से, जटिलता)
रेम्पिस द्वारा इंटरैक्टिवली कॉन्स्ट्रेन्ड न्यूरो-इवोल्यूशन (ICONE), 2012[19] डायरेक्ट, खोज को विशिष्ट टोपोलॉजी/पैरामीटर मैनिफ़ोल्ड तक सीमित करने के लिए बाधा मास्क शामिल करता है। विकासवादी एल्गोरिदम. डोमेन ज्ञान का दोहन करके खोज स्थान को काफी कम करने के लिए बाधा मास्क का उपयोग करता है। संरचना और पैरामीटर (अलग से, जटिलता, इंटरैक्टिव)
जीन शेर द्वारा ड्यूस एक्स न्यूरल नेटवर्क (DXNN), 2012[20] प्रत्यक्ष/प्रत्यक्ष में बाधाएं, स्थानीय ट्यूनिंग शामिल है, और नए सेंसर और एक्चुएटर्स को एकीकृत करने के लिए विकास की अनुमति देता है। मेमेटिक एल्गोरिदम. विभिन्न समय-पैमानों पर नेटवर्क संरचना और पैरामीटर विकसित करता है। संरचना और पैरामीटर (अलग से, जटिलता, इंटरैक्टिव)
स्पेक्ट्रम-विविध एकीकृत न्यूरोएवोल्यूशन आर्किटेक्चर (SUNA) डैनिलो वास्कोनसेलोस वर्गास, जुनिची मुराता द्वारा[21] (कोड डाउनलोड करें) प्रत्यक्ष, एकीकृत तंत्रिका प्रतिनिधित्व (साहित्य से अधिकांश तंत्रिका नेटवर्क सुविधाओं को एकीकृत करने वाला प्रतिनिधित्व) का परिचय देता है। विविधता संरक्षण तंत्र के साथ आनुवंशिक एल्गोरिदम जिसे स्पेक्ट्रम-विविधता कहा जाता है, जो गुणसूत्र आकार के साथ अच्छी तरह से मापता है, समस्या से स्वतंत्र है और उच्च स्तरीय व्यवहार/दृष्टिकोण की विविधता प्राप्त करने पर अधिक ध्यान केंद्रित करता है। इस विविधता को प्राप्त करने के लिए क्रोमोसोम स्पेक्ट्रम की अवधारणा को नवीनता मानचित्र जनसंख्या के साथ पेश और उपयोग किया जाता है। संरचना और पैरामीटर (मिश्रित, जटिलता और सरलीकरण)
क्लिफोर्ड बोहम, अरेंड हिंट्ज़ और अन्य द्वारा मॉड्यूलर एजेंट-आधारित इवोल्वर (एमएबीई)।[22] ([1]कोड डाउनलोड करें) मार्कोव नेटवर्क, न्यूरल नेटवर्क, जेनेटिक प्रोग्रामिंग और अन्य मनमाने ढंग से अनुकूलन योग्य नियंत्रकों की प्रत्यक्ष या अप्रत्यक्ष एन्कोडिंग। विकासवादी एल्गोरिदम, आनुवंशिक प्रोग्रामिंग एल्गोरिदम प्रदान करता है, और मनमानी बाधाओं के विनिर्देशन के साथ-साथ अनुकूलित एल्गोरिदम की अनुमति देता है। विकास योग्य पहलुओं में तंत्रिका मॉडल शामिल है और दूसरों के बीच आकृति विज्ञान और यौन चयन के विकास की अनुमति देता है।
शाहीन रोस्तामी और अन्य द्वारा हाइपरवॉल्यूम सॉर्टेड एडेप्टिव ग्रिड एल्गोरिथम (सीएमए-एचएजीए) के साथ सहप्रसरण मैट्रिक्स अनुकूलन।[23][24] डायरेक्ट, में एक एटविज्म सुविधा शामिल है जो लक्षणों को गायब होने और विभिन्न पीढ़ियों में फिर से प्रकट होने में सक्षम बनाती है। प्राथमिकता अभिव्यक्ति के साथ बहुउद्देश्यीय विकास रणनीति (कम्प्यूटेशनल संचालन) संरचना, भार और पूर्वाग्रह।

यह भी देखें

संदर्भ

  1. ↑ Stanley, Kenneth O. (2017-07-13). "Neuroevolution: A different kind of deep learning". O'Reilly Media (in English). Retrieved 2017-09-04.
  2. ↑ Risi, Sebastian; Togelius, Julian (2017). "Neuroevolution in Games: State of the Art and Open Challenges". IEEE Transactions on Computational Intelligence and AI in Games. 9: 25–41. arXiv:1410.7326. doi:10.1109/TCIAIG.2015.2494596. S2CID 11245845.
  3. ↑ Togelius, Julian; Schaul, Tom; Schmidhuber, Jürgen; Gomez, Faustino (2008). "Countering Poisonous Inputs with Memetic Neuroevolution". Parallel Problem Solving from Nature – PPSN X. Lecture Notes in Computer Science. Vol. 5199. pp. 610–619. doi:10.1007/978-3-540-87700-4_61. ISBN 978-3-540-87699-1.
  4. ↑ Hutson, Matthew (11 January 2018). "समस्याओं को हल करने के लिए कृत्रिम बुद्धिमत्ता 'विकसित' हो सकती है". Science. doi:10.1126/science.aas9715.
  5. ↑ Whitelam, Stephen; Selin, Viktor; Park, Sang-Won; Tamblyn, Isaac (2 November 2021). "न्यूरोइवोल्यूशन और ग्रेडिएंट डिसेंट के बीच पत्राचार". Nature Communications. 12 (1): 6317. arXiv:2008.06643. Bibcode:2021NatCo..12.6317W. doi:10.1038/s41467-021-26568-2. PMC 8563972. PMID 34728632.
  6. ↑ 6.0 6.1 6.2 Kassahun, Yohannes; Sommer, Gerald; Edgington, Mark; Metzen, Jan Hendrik; Kirchner, Frank (2007), "Common genetic encoding for both direct and indirect encodings of networks", Genetic and Evolutionary Computation Conference, ACM Press, pp. 1029–1036, CiteSeerX 10.1.1.159.705
  7. ↑ 7.0 7.1 Gauci, Stanley (2007), "Generating Large-Scale Neural Networks Through Discovering Geometric Regularities" (PDF), Genetic and Evolutionary Computation Conference, New York, NY: ACM
  8. ↑ 8.0 8.1 Gruau, Frédéric; I, L'universite Claude Bernard-lyon; Doctorat, Of A. Diplome De; Demongeot, M. Jacques; Cosnard, Examinators M. Michel; Mazoyer, M. Jacques; Peretto, M. Pierre; Whitley, M. Darell (1994). सेलुलर एन्कोडिंग और जेनेटिक एल्गोरिदम का उपयोग करके तंत्रिका नेटवर्क संश्लेषण।. CiteSeerX 10.1.1.29.5939.
  9. ↑ Clune, J.; Stanley, Kenneth O.; Pennock, R. T.; Ofria, C. (June 2011). "नियमितता के सातत्य में अप्रत्यक्ष एन्कोडिंग के प्रदर्शन पर". IEEE Transactions on Evolutionary Computation. 15 (3): 346–367. CiteSeerX 10.1.1.375.6731. doi:10.1109/TEVC.2010.2104157. ISSN 1089-778X. S2CID 3008628.
  10. ↑ 10.0 10.1 Risi, Sebastian; Stanley, Kenneth O. (October 2012). "न्यूरॉन्स के प्लेसमेंट, घनत्व और कनेक्टिविटी को विकसित करने के लिए एक उन्नत हाइपरक्यूब-आधारित एन्कोडिंग". Artificial Life. 18 (4): 331–363. doi:10.1162/ARTL_a_00071. PMID 22938563. S2CID 3256786.
  11. ↑ 11.0 11.1 Stanley, Kenneth O.; Miikkulainen, Risto (April 2003). "कृत्रिम भ्रूणजनन के लिए एक वर्गीकरण". Artificial Life. 9 (2): 93–130. doi:10.1162/106454603322221487. PMID 12906725. S2CID 2124332.
  12. ↑ Ronald, Edmund; Schoenauer, March (1994), "Genetic Lander: An experiment in accurate neuro-genetic control", PPSN III 1994 Parallel Programming Solving from Nature, pp. 452–461, CiteSeerX 10.1.1.56.3139
  13. ↑ Angeline, P.J.; Saunders, G.M.; Pollack, J.B. (January 1994). "An evolutionary algorithm that constructs recurrent neural networks". IEEE Transactions on Neural Networks. 5 (1): 54–65. CiteSeerX 10.1.1.64.1853. doi:10.1109/72.265960. PMID 18267779.
  14. ↑ Yao, X.; Liu, Y. (May 1997). "A new evolutionary system for evolving artificial neural networks". IEEE Transactions on Neural Networks. 8 (3): 694–713. doi:10.1109/72.572107. PMID 18255671.
  15. ↑ Stanley, Kenneth O.; Bryant, Bobby D.; Miikkulainen, Risto (December 2005). "Real-Time Neuroevolution in the NERO Video Game" (PDF).
  16. ↑ Stanley, Kenneth O.; Miikkulainen, Risto (June 2002). "Evolving Neural Networks through Augmenting Topologies". Evolutionary Computation. 10 (2): 99–127. CiteSeerX 10.1.1.638.3910. doi:10.1162/106365602320169811. PMID 12180173. S2CID 498161.
  17. ↑ Kassahun, Yohannes; Sommer, Gerald (April 2005), "Efficient reinforcement learning through evolutionary acquisition of neural topologies" (PDF), 13th European Symposium on Artificial Neural Networks, Bruges, Belgium, pp. 259–266{{citation}}: CS1 maint: location missing publisher (link)
  18. ↑ Siebel, Nils T.; Sommer, Gerald (17 October 2007). "Evolutionary reinforcement learning of artificial neural networks". International Journal of Hybrid Intelligent Systems. 4 (3): 171–183. doi:10.3233/his-2007-4304.
  19. ↑ Rempis, Christian Wilhelm (2012). Evolving Complex Neuro-Controllers with Interactively Constrained Neuro-Evolution (Thesis).
  20. ↑ Sher, Gene I. (2013). Handbook of Neuroevolution Through Erlang. doi:10.1007/978-1-4614-4463-3. ISBN 978-1-4614-4462-6. S2CID 21777855.
  21. ↑ Vargas, Danilo Vasconcellos; Murata, Junichi (2019). "Spectrum-Diverse Neuroevolution With Unified Neural Models". IEEE Transactions on Neural Networks and Learning Systems. 28 (8): 1759–1773. arXiv:1902.06703. Bibcode:2019arXiv190206703V. doi:10.1109/TNNLS.2016.2551748. PMID 28113564. S2CID 206757620.
  22. ↑ Edlund, Jeffrey; Chaumont, Nicolas; Hintze, Arend; Koch, Christof; Tononi, Giulio; Adami, Christoph (2011). "Integrated Information Increases with Fitness in the Evolution of Animats". PLOS Computational Biology. 7 (10): e1002236. arXiv:1103.1791. Bibcode:2011PLSCB...7E2236E. doi:10.1371/journal.pcbi.1002236. PMC 3197648. PMID 22028639.
  23. ↑ Rostami, Shahin; Neri, Ferrante (June 2017). "A fast hypervolume driven selection mechanism for many-objective optimisation problems". Swarm and Evolutionary Computation. 34: 50–67. doi:10.1016/j.swevo.2016.12.002. hdl:2086/13102.
  24. ↑ Shenfield, Alex; Rostami, Shahin (2017). "Multi-objective evolution of artificial neural networks in multi-class medical diagnosis problems with class imbalance" (PDF). 2017 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). pp. 1–8. doi:10.1109/CIBCB.2017.8058553. ISBN 978-1-4673-8988-4. S2CID 22674515.

बाहरी संबंध

Retrieved from ‘https://www.vigyanwiki.in/index.php?title=तंत्रिका_विकास&oldid=253229’