Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Sức khỏe - Y tế
Văn bản luật
Nông Lâm Ngư
Kỹ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Giới thiệu
Đăng ký
Đăng nhập
Tìm
Danh mục
Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Y tế sức khỏe
Văn bản luật
Nông lâm ngư
Kĩ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Thông tin
Điều khoản sử dụng
Quy định bảo mật
Quy chế hoạt động
Chính sách bản quyền
Giới thiệu
Đăng ký
Đăng nhập
0
Trang chủ
Kỹ Thuật - Công Nghệ
Cơ khí - Chế tạo máy
Evolutionary Robotics Part 8
Đang chuẩn bị liên kết để tải về tài liệu:
Evolutionary Robotics Part 8
Ðình Tuấn
85
40
pdf
Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
Tham khảo tài liệu 'evolutionary robotics part 8', kỹ thuật - công nghệ, cơ khí - chế tạo máy phục vụ nhu cầu học tập, nghiên cứu và làm việc hiệu quả | 272 Frontiers in Evolutionary Robotics Three different statistic tests t-test Wilcoxon rank-sum and beta distribution were applied to discriminate the performance difference among a varying number of internal states. The beta distribution test has a good precision of significance test and its test result is similar to that of the Wilcoxon test. In many cases the beta distribution test of success rate was useful where the t-test could not discriminate the performance. The beta distribution test based on sampling theory has an advantage on analyzing the fitness distribution with even a small number of evolutionary runs and it has much potential for application as well as provide the computational effort. In addition the method can be applied to test the performance difference of an arbitrary pair of methodologies. The estimation of computational effort provides the information of an expected computing time for success or how many trials are required to obtain a solution. It can also be used to evaluate the efficiency of evolutionary algorithms with different computing time. We compared genetic programming approach and finite state machines and the significance test with success rate or computational effort shows that FSMs have more powerful representation to encode internal memory and produce more efficient controllers than the tree structure while the genetic programming code is easy to understand. 7. References P.J. Angeline G.M. Saunders and J.B. Pollack 1994 . An evolutionary algorithm that constructs recurrent neural networks IEEE Trans. on Neural Networks 5 1 pp. 5465. P.J. Angeline 1998 . Multiple interacting programs A representation for evolving complex Behaviors Cybernetics and Systems 29 8 pp. 779-806. D. Ashlock 1997 . GP-automata for dividing the dollar Genetic Programming 97 pp. 18-26. MIT Press D. Ashlock 1998 . ISAc lists a different representation for program induction Genetic Programming 98 pp. 3-10. Morgan Kauffman. B. Bakker and M. de Jong 2000 .
TÀI LIỆU LIÊN QUAN
Evolutionary Robotics Part 1
Evolutionary Robotics Part 2
Evolutionary Robotics Part 3
Evolutionary Robotics Part 4
Evolutionary Robotics Part 5
Evolutionary Robotics Part 6
Evolutionary Robotics Part 7
Evolutionary Robotics Part 8
Evolutionary Robotics Part 9
Evolutionary Robotics Part 10
crossorigin="anonymous">
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.