A novel idea of performing evolutionary computations for solving highly-dimensional multi-objective optimization (MOO) problems is proposed. The information about individual genders is applied. This information is drawn out of the fitness of individuals and applied during the parental crossover in the evolutionary multi-objective optimization (EMO) processes. The paper introduces the principles of the genetic-gender approach (GGA) and illustrates its performance by means of examples of multi-objective optimization tasks.
Autorzy
Informacje dodatkowe
- DOI
- Cyfrowy identyfikator dokumentu elektronicznego link otwiera się w nowej karcie 10.1007/978-3-642-39881-0_13
- Kategoria
- Publikacja monograficzna
- Typ
- rozdział, artykuł w książce - dziele zbiorowym /podręczniku w języku o zasięgu międzynarodowym
- Język
- angielski
- Rok wydania
- 2014
