อัลกอริทึม Flyเป็นวิธีการสร้างภาพสามมิติที่ใช้กลุ่มจุด ("แมลงวัน") ที่สอดคล้องกับวัตถุต่างๆ ที่อยู่ใกล้เคียงกัน โดยใช้ หลักการ ของอัลกอริทึมทางพันธุกรรมและการมองเห็นแบบสามมิติการสร้างภาพสามมิติที่ได้นั้นไม่สมบูรณ์ แต่สามารถนำไปใช้ในการตรวจจับสิ่งกีดขวางในการนำทางหุ่นยนต์ และการใช้งานอื่นๆ ได้ เทคนิคนี้มี ภาระการคำนวณสูงเนื่องจากมีอินพุตและพารามิเตอร์จำนวนมาก ทำให้การเพิ่มประสิทธิภาพทำได้ยาก

อัลกอริทึม Fly เป็นรูปแบบหนึ่งของวิวัฒนาการร่วมแบบร่วมมือกันโดยอิงตามแนวทางของปารีส^{[ 1 ]}อัลกอริทึม Fly ได้รับการพัฒนาขึ้นครั้งแรกในปี 1999 ในขอบเขตของการประยุกต์ใช้อัลกอริ ทึมวิวัฒนาการ กับ การมองเห็นสามมิติ ด้วยคอมพิวเตอร์^{[ 2 ] [ 3 ]}แตกต่างจากวิธีการแบบคลาสสิกที่ใช้ภาพในการมองเห็นสามมิติ ซึ่งดึงองค์ประกอบภาพออกมาแล้วจับคู่กันเพื่อให้ได้ข้อมูลสามมิติ อัลกอริทึม Fly นั้นอิงตามการสำรวจพื้นที่สามมิติของฉากโดยตรง Fly ถูกกำหนดให้เป็นจุดสามมิติที่อธิบายด้วยพิกัด ( x , y , z ) เมื่อสร้างประชากร Fly แบบสุ่มในพื้นที่ค้นหาที่สอดคล้องกับขอบเขตการมองเห็นของกล้องแล้ว วิวัฒนาการของมัน (โดยอิงตามกระบวนทัศน์กลยุทธ์วิวัฒนาการ) จะใช้ฟังก์ชันความเหมาะสมที่ประเมินว่า Fly มีแนวโน้มที่จะอยู่บนพื้นผิวที่มองเห็นได้ของวัตถุมากน้อยเพียงใด โดยพิจารณาจากความสอดคล้องของการฉายภาพ เพื่อจุดประสงค์นี้ ฟังก์ชันการวัดความเหมาะสมจะใช้ระดับสีเทา สี และ/หรือพื้นผิวของการฉายภาพแมลงวันตามการคำนวณ

สาขาการประยุกต์ใช้แรกของอัลกอริทึม Fly คือการมองเห็นแบบ สามมิติ ^{[ 2 ] [ 3 ] [ 4 ] [ 5 ]}ในขณะที่วิธีการ "ลำดับความสำคัญของภาพ" แบบคลาสสิกใช้คุณสมบัติที่ตรงกันจากภาพสามมิติเพื่อสร้างแบบจำลองสามมิติ อัลกอริทึม Fly จะสำรวจพื้นที่สามมิติโดยตรงและใช้ข้อมูลภาพเพื่อประเมินความถูกต้องของสมมติฐานสามมิติ รูปแบบหนึ่งที่เรียกว่า "Dynamic Flies" กำหนดให้แมลงวันเป็น 6-uple ( x , y , z , x' , y' , z' ) ซึ่งเกี่ยวข้องกับความเร็วของแมลงวัน^{[ 6 ] [ 7 ]}ส่วนประกอบของความเร็วไม่ได้ถูกนำมาพิจารณาอย่างชัดเจนในการคำนวณความเหมาะสม แต่ถูกนำมาใช้ในการอัปเดตตำแหน่งของแมลงวันและอยู่ภายใต้ตัวดำเนินการทางพันธุกรรมที่คล้ายกัน (การกลายพันธุ์ การผสมข้าม)

การประยุกต์ใช้ Flies เพื่อหลีกเลี่ยงสิ่งกีดขวางในยานพาหนะ^{[ 8 ]}ใช้ประโยชน์จากข้อเท็จจริงที่ว่าประชากรของแมลงวันเป็นตัวแทนของฉากที่สอดคล้องกับเวลาและมีการวิวัฒนาการอย่างต่อเนื่อง เพื่อสร้างสัญญาณควบคุมยานพาหนะจากแมลงวันโดยตรง การใช้อัลกอริทึม Fly ไม่ได้จำกัดเฉพาะภาพสเตอริโอเท่านั้น เนื่องจากสามารถเพิ่มเซ็นเซอร์อื่นๆ (เช่น เซ็นเซอร์ความใกล้เคียงทางเสียง ฯลฯ) เป็นเงื่อนไขเพิ่มเติมในฟังก์ชันความเหมาะสมที่กำลังปรับให้เหมาะสม ข้อมูล Odometry ยังสามารถใช้เพื่อเร่งการอัปเดตตำแหน่งของแมลงวัน และในทางกลับกัน ตำแหน่งของแมลงวันสามารถใช้เพื่อระบุตำแหน่งและข้อมูลการทำแผนที่ได้^{[ 9 ]}

อีกหนึ่งสาขาการประยุกต์ใช้ของอัลกอริทึม Fly คือการสร้างภาพใหม่สำหรับการถ่ายภาพเอกซเรย์คอมพิวเตอร์แบบปล่อยรังสีในเวชศาสตร์นิวเคลียร์อัลกอริทึม Fly ได้ถูกนำไปใช้สำเร็จในการถ่าย ภาพเอกซเรย์คอมพิวเตอร์แบบปล่อยโฟ ตอนเดี่ยว^{[ 10 ]}และการถ่ายภาพเอกซเรย์คอมพิวเตอร์แบบปล่อยโพซิตรอน^{[ 11 ] [ 12 ]}ในที่นี้ แมลงวันแต่ละตัวถือเป็นตัวปล่อยโฟตอน และความเหมาะสมของมันขึ้นอยู่กับความสอดคล้องของการส่องสว่างจำลองของเซ็นเซอร์กับรูปแบบจริงที่สังเกตได้บนเซ็นเซอร์ ภายในแอปพลิเคชันนี้ ฟังก์ชันความเหมาะสมได้รับการกำหนดใหม่เพื่อใช้แนวคิดใหม่ของ 'การประเมินแบบมาร์จินัล' ในที่นี้ ความเหมาะสมของแต่ละบุคคลจะถูกคำนวณจากส่วนร่วม (บวกหรือลบ) ต่อคุณภาพของประชากรโดยรวม โดยอิงตามหลักการตรวจสอบแบบไขว้แบบตัดออกหนึ่งตัวฟังก์ชันความเหมาะสมโดยรวมจะประเมินคุณภาพของประชากรทั้งหมด จากนั้นจึงคำนวณความเหมาะสมของแต่ละบุคคล (แมลงวัน) เป็นความแตกต่างระหว่างค่าความเหมาะสมโดยรวมของประชากรที่มีและไม่มีแมลงวันตัวนั้น ซึ่งฟังก์ชันความเหมาะสมของแต่ละบุคคล จะต้องได้รับการประเมิน^{[ 13 ] [ 14 ]}ใน^{[ 15 ]}ความเหมาะสมของแมลงวันแต่ละตัวถือเป็น 'ระดับความเชื่อมั่น' ซึ่งใช้ในระหว่างกระบวนการสร้างโวเซลเพื่อปรับแต่งรอยเท้าของแมลงวันแต่ละตัวโดยใช้การสร้างแบบจำลองโดยปริยาย (เช่นเมตาบอล ) ซึ่งทำให้ได้ผลลัพธ์ที่ราบรื่นและแม่นยำยิ่งขึ้น

เมื่อไม่นานมานี้ ได้มีการนำไปใช้ในงานศิลปะดิจิทัลเพื่อสร้างภาพคล้ายโมเสกหรือพ่นสี^{[ 16 ]}ตัวอย่างภาพสามารถพบได้บนYouTube

ในที่นี้ ประชากรของแต่ละบุคคลถูกมองว่าเป็นสังคมที่แต่ละบุคคลร่วมมือกันเพื่อบรรลุเป้าหมายร่วมกัน วิธีการนี้ใช้ขั้นตอนวิธีเชิงวิวัฒนาการซึ่งรวมถึงตัวดำเนินการทางพันธุกรรม ทั่วไปทั้งหมด (เช่น การกลายพันธุ์ การผสมข้าม การคัดเลือก) ความแตกต่างหลักอยู่ที่ฟังก์ชันความเหมาะสม ในที่นี้ใช้ฟังก์ชันความเหมาะสมสองระดับ:

• ฟังก์ชันความเหมาะสมเฉพาะที่เพื่อประเมินประสิทธิภาพของแต่ละบุคคล (โดยปกติจะใช้ในระหว่างกระบวนการคัดเลือก)
• ฟังก์ชันความเหมาะสมโดยรวมเพื่อประเมินประสิทธิภาพของประชากรทั้งหมด เป้าหมายของประชากรคือการเพิ่มค่าความเหมาะสมโดยรวมนี้ให้สูงสุด (หรือต่ำสุด ขึ้นอยู่กับปัญหาที่พิจารณา)

นอกจากนี้ ยังจำเป็นต้องมีกลไกความหลากหลายเพื่อหลีกเลี่ยงไม่ให้แต่ละบุคคลกระจุกตัวอยู่ในพื้นที่ค้นหาเพียงไม่กี่แห่ง ความแตกต่างอีกประการหนึ่งคือการสกัดคำตอบของปัญหาเมื่อวงจรวิวัฒนาการสิ้นสุดลง ในวิธีการวิวัฒนาการแบบดั้งเดิม บุคคลที่ดีที่สุดจะเป็นคำตอบ และประชากรที่เหลือจะถูกทิ้งไป แต่ในที่นี้ บุคคลทั้งหมด (หรือบุคคลในกลุ่มย่อยของประชากร) จะถูกรวบรวมเพื่อสร้างคำตอบของปัญหา วิธีการสร้างฟังก์ชันความเหมาะสมและวิธีการสกัดคำตอบนั้นขึ้นอยู่กับปัญหาที่เกิดขึ้น

ตัวอย่างการประยุกต์ใช้ Parisian Evolution ได้แก่:

• อัลกอริทึม Fly
• การวิเคราะห์ข้อความ
• การจดจำท่าทางมือ
• การสร้างแบบจำลองปฏิสัมพันธ์ที่ซับซ้อนในกระบวนการผลิตอาหารเกษตรอุตสาหกรรม
• การสร้างภาพใหม่จากการตรวจเอกซเรย์คอมพิวเตอร์แบบปล่อยโพซิตรอน (PET reconstruction )

การวิวัฒนาการร่วมแบบร่วมมือ (Cooperative coevolution)เป็นกลุ่มกว้างๆ ของอัลกอริทึมวิวัฒนาการที่แก้ปัญหาที่ซับซ้อนโดยการแบ่งปัญหาออกเป็นส่วนประกอบย่อยๆ ที่ได้รับการแก้ไขอย่างอิสระ แนวทางของปารีสมีความคล้ายคลึงกับอัลกอริทึมการวิวัฒนาการร่วมแบบร่วมมือ หลายประการ แนวทางของปารีสใช้ประชากรเดียว ในขณะที่อาจใช้หลายสายพันธุ์ในอัลกอริทึม การวิวัฒนาการ ร่วมแบบร่วมมือกลไกวิวัฒนาการภายในที่คล้ายกันนี้ได้รับการพิจารณาในอัลกอริทึมวิวัฒนาการ แบบคลาสสิก อั ลกอริทึมการวิวัฒนาการร่วมแบบร่วมมือ และวิวัฒนาการแบบปารีส ความแตกต่างระหว่างอัลกอริทึมการวิวัฒนาการร่วมแบบร่วมมือและวิวัฒนาการแบบปารีสอยู่ที่ความหมายของประชากร อัลกอริทึมการวิวัฒนาการ ร่วมแบบร่วมมือแบ่งปัญหาใหญ่ๆ ออกเป็นปัญหาย่อยๆ (กลุ่มของแต่ละบุคคล) และแก้ปัญหาเหล่านั้นแยกกันไปสู่ปัญหาใหญ่^{[ 17 ]}ไม่มีการปฏิสัมพันธ์/การผสมพันธุ์ระหว่างบุคคลในประชากรย่อยที่แตกต่างกัน มีเพียงกับบุคคลในประชากรย่อยเดียวกันเท่านั้น อย่างไรก็ตามอัลกอริทึมวิวัฒนาการ แบบปารีส แก้ปัญหาทั้งหมดเป็นส่วนประกอบใหญ่ ประชากรทุกภาคส่วนร่วมมือกันเพื่อผลักดันประชากรทั้งหมดไปสู่พื้นที่ที่น่าสนใจในพื้นที่การค้นหา

การวิวัฒนาการร่วมมือและการเพิ่มประสิทธิภาพฝูงอนุภาค (PSO)มีความคล้ายคลึงกันหลายประการPSOได้รับแรงบันดาลใจจากพฤติกรรมทางสังคมของฝูงนกหรือฝูงปลา^{[ 18 ] [ 19 ]} ในตอนแรกมันถูกนำเสนอเป็นเครื่องมือสำหรับการสร้างภาพเคลื่อนไหวที่สมจริงในกราฟิกคอมพิวเตอร์ มันใช้บุคคลที่ซับซ้อนซึ่งโต้ตอบกันเพื่อสร้างพฤติกรรมรวมที่สมจริงทางสายตาโดยการปรับกฎพฤติกรรมของบุคคล (ซึ่งอาจใช้ตัวสร้างแบบสุ่ม) ในการเพิ่มประสิทธิภาพทางคณิตศาสตร์ อนุภาคแต่ละตัวในฝูงจะปฏิบัติตามเส้นทางสุ่มของตัวเองโดยมีแนวโน้มไปทางอนุภาคที่ดีที่สุดในฝูง ในอัลกอริทึมแมลงวัน แมลงวันมีเป้าหมายในการสร้างการแสดงภาพเชิงพื้นที่ของฉากจากข้อมูลเซ็นเซอร์จริง แมลงวันไม่ได้สื่อสารหรือร่วมมือกันอย่างชัดเจน และไม่ได้ใช้แบบจำลองพฤติกรรมใดๆ

ทั้งสองอัลกอริธึมเป็นวิธีการค้นหาที่เริ่มต้นด้วยชุดของคำตอบแบบสุ่ม ซึ่งจะได้รับการแก้ไขซ้ำๆ ไปสู่ค่าเหมาะสมที่สุดโดยรวม อย่างไรก็ตาม คำตอบของปัญหาการหาค่าเหมาะสมที่สุดในอัลกอริธึมแมลงวันคือประชากร (หรือส่วนย่อยของประชากร) โดยแมลงวันจะร่วมมือกันโดยปริยายเพื่อสร้างคำตอบ ในขณะที่ในPSOคำตอบคืออนุภาคเดียว คืออนุภาคที่มีค่าความเหมาะสมดีที่สุด ความแตกต่างหลักอีกประการหนึ่งระหว่างอัลกอริธึมแมลงวันและPSOคืออัลกอริธึมแมลงวันไม่ได้อิงตามแบบจำลองพฤติกรรมใดๆ แต่สร้างเพียงการแสดงผลทางเรขาคณิตเท่านั้น

• การมองเห็นแบบสเตอริโอด้วยคอมพิวเตอร์^{[ 2 ] [ 3 ] [ 4 ] [ 5 ]}
• การหลีกเลี่ยงสิ่งกีดขวาง^{[ 6 ] [ 8 ] [ 7 ]}
• การระบุตำแหน่งและการทำแผนที่พร้อมกัน (SLAM) ^{[ 9 ]}
• การสร้างภาพเอกซเรย์คอมพิวเตอร์แบบปล่อยโฟตอนเดี่ยว (SPECT) ^{[ 10 ]}
• การสร้างภาพเอกซเรย์คอมพิวเตอร์แบบโพซิตรอน (PET) ^{[ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ] [ 20 ]}
• ศิลปะดิจิทัล^{[ 16 ] [ 21 ]}

ไซโนแกรมของซึ่งเป็นที่ทราบกันดี${\displaystyle (Y)}$${\displaystyle f}$

ตัวอย่างการสร้างภาพจำลองรถฮอตโรดโดยใช้อัลกอริธึม Fly

การสร้างภาพตัดขวางแบบสามมิติ (Tomography reconstruction) เป็นปัญหาผกผันที่มักไม่สามารถแก้ไขได้เนื่องจากข้อมูลขาดหายและ/หรือมีสัญญาณรบกวน คำตอบของปัญหาผกผันนั้นไม่เป็นเอกลักษณ์ และในกรณีที่มีสัญญาณรบกวนสูงมาก อาจไม่มีคำตอบเลยด้วยซ้ำ ข้อมูลป้อนเข้าของอัลกอริทึมการสร้างภาพอาจอยู่ในรูปของการแปลงเรดอน (Radon transform ) หรือไซโนแกรม (sinogram) ของข้อมูลที่จะสร้างใหม่ ค่า หนึ่ง ไม่ทราบค่า อีกค่าหนึ่งทราบค่า การได้มาซึ่งข้อมูลในการสร้างภาพตัดขวางแบบสามมิติสามารถจำลองได้ดังนี้ :${\displaystyle \left(Y\right)}$${\displaystyle \left(f\right)}$${\displaystyle f}$${\displaystyle Y}$

${\displaystyle Y=P[f]+\epsilon }$

โดยที่เป็นเมทริกซ์ระบบหรือตัวดำเนินการฉายภาพ และสอดคล้องกับสัญญาณรบกวนปัวซง บางอย่าง ในกรณีนี้ การสร้างใหม่จะสอดคล้องกับการผกผันของการแปลงเรดอน : ${\displaystyle P}$${\displaystyle \epsilon }$

${\displaystyle f=P^{-1}[Y]}$

โปรดทราบว่าสามารถคำนึงถึงสัญญาณรบกวน รูปทรงเรขาคณิตของการได้มาซึ่งภาพ ฯลฯ อัลกอริทึม Fly เป็นตัวอย่างของการสร้างภาพซ้ำแบบวนซ้ำวิธีการวนซ้ำในการสร้างภาพโทโมกราฟิกนั้นค่อนข้างง่ายต่อการสร้างแบบจำลอง: ${\displaystyle P^{-1}}$

${\displaystyle {\hat {f}}=\ชื่อผู้ดำเนินการ {arg\,min} ||Y-{\hat {Y}}||_{2}^{2}}$

โดยที่เป็นค่าประมาณของที่ทำให้ค่าเมตริกความคลาดเคลื่อน (ในที่นี้คือℓ²-นอร์มแต่^{สามารถ}ใช้เมตริกความคลาดเคลื่อนอื่นๆ ได้) ระหว่างและ มีค่าน้อย ที่สุด โปรดทราบว่า สามารถเพิ่ม เทอมการปรับค่าเพื่อป้องกันการโอเวอร์ฟิตติ้งและเพื่อลดสัญญาณรบกวนในขณะที่ยังคงรักษาขอบไว้ วิธีการวนซ้ำสามารถนำไปใช้ได้ดังนี้: ${\displaystyle {\hat {f}}}$${\displaystyle f}$${\displaystyle Y}$${\displaystyle {\hat {Y}}}$

 (i) การสร้างภาพขึ้นใหม่เริ่มต้นโดยใช้ค่าประมาณเบื้องต้นของภาพ (โดยทั่วไปคือภาพคงที่) (ii) ข้อมูลการฉายภาพคำนวณจากภาพนี้ (iii) เปรียบเทียบการคาดการณ์ที่ประเมินไว้กับการคาดการณ์ที่วัดได้ (iv) มีการแก้ไขเพื่อปรับภาพที่คาดการณ์ไว้ให้ถูกต้อง และ (v) อัลกอริทึมจะวนซ้ำจนกว่าชุดการฉายภาพที่ประมาณและวัดได้จะบรรจบกัน 

รหัสเทียมด้านล่างนี้เป็นคำอธิบายทีละขั้นตอนของอัลกอริทึม Fly สำหรับการสร้างภาพโทโมกราฟิก อัลกอริทึมนี้เป็นไปตามแบบแผนสภาวะคงที่ เพื่อจุดประสงค์ในการแสดงตัวอย่าง ตัวดำเนินการทางพันธุกรรมขั้นสูง เช่น ไมโทซิส การกลายพันธุ์คู่ ฯลฯ^{[ 22 ] [ 23 ]}จะถูกละเว้น การใช้งาน JavaScriptสามารถพบได้ใน Fly4PET

อัลกอริทึม fly-algorithm รับอินพุตเป็นจำนวนแมลงวัน ( N ) ข้อมูลการฉายภาพอินพุต ( อ้างอิง p )ผลลัพธ์:จำนวนประชากรแมลงวัน ( F ) การคาดการณ์ที่ประเมินจากF ( p ที่ประเมิน ) ปริมาตร 3 มิติที่สอดคล้องกับการแบ่งส่วนแบบว็อกเซลของF ( V F ) เงื่อนไขหลังการทดลอง:ความแตกต่างระหว่างค่า p ที่ประมาณการได้และ ค่า p อ้างอิงมีค่าน้อยที่สุด เริ่ม 1. // การเริ่มต้น 2. // กำหนดตำแหน่งของ แมลงวัน N ตัว กล่าวคือ สร้างการคาดเดาเริ่มต้น 3. สำหรับแมลงวัน แต่ละตัว i ในประชากรแมลงวันF ให้ทำ 4. F ( i ) x ← random(0, 1) 5. F ( i ) y ← random(0, 1) 6. F ( i ) z ← random(0, 1) 7. เพิ่มการฉายภาพของF ( i ) ใน p ที่ประมาณไว้ 8. 9. // คำนวณประสิทธิภาพของประชากร (เช่น ความเหมาะสมโดยรวม) 10. G fitness ( F ) ← ตัวชี้วัดข้อผิดพลาด ( p อ้างอิง , p ที่ประมาณการ ) 11. 12. f kill ← เลือกแมลงวันF แบบสุ่มหนึ่งตัว 13. 14. ลบ ส่วนที่ f killมีส่วนร่วมออกจากค่า p ที่ประมาณไว้ 15. 16. // คำนวณประสิทธิภาพของประชากรโดยไม่ใช้ f kill 17. G fitness ( F -{ f kill }) ← ตัวชี้วัดข้อผิดพลาด ( p อ้างอิง , p ประมาณการ ) 18. 19. // เปรียบเทียบประสิทธิภาพ เช่น คำนวณค่าความเหมาะสมเฉพาะที่ของแมลงวัน 20. L fitness ( f kill ) ← G fitness ( F -{ f kill }) - G fitness ( F ) 21. 22. ถ้าค่าความเหมาะสมในพื้นที่มากกว่า 0 // การคัดเลือกโดยใช้เกณฑ์เพื่อกำจัดแมลงวันตัวที่ไม่ดี 23. จากนั้นไปที่ขั้นตอนที่ 26 // f killเป็นแมลงวันดี (ประสิทธิภาพของประชากรดีขึ้นเมื่อมี f killอยู่ด้วย): เราไม่ควรฆ่ามัน 24. มิฉะนั้นไปที่ขั้นตอนที่ 28 // f killเป็นแมลงวันไม่ดี (ประสิทธิภาพของประชากรแย่ลงเมื่อมี f killอยู่ด้วย): เราสามารถกำจัดมันได้ 25. 26. คืนค่าการมีส่วนร่วมของแมลงวัน จากนั้นไปที่ขั้นตอนที่ 12 27. 28. เลือกตัวดำเนินการทางพันธุกรรม 29. 30. ถ้าตัวดำเนินการทางพันธุกรรมคือการกลายพันธุ์ 31. จากนั้นไปที่ขั้นตอนที่ 34 32. มิเช่นนั้นให้ไปที่ขั้นตอนที่ 50 33. 34. f สืบพันธุ์ ← เลือกแมลงวันF แบบสุ่มหนึ่งตัว 35. 14. ลบส่วนร่วมของf ที่ได้จากการทำซ้ำออก จาก ค่า p ที่ประมาณไว้ 37. 38. // คำนวณประสิทธิภาพของประชากรโดยไม่ใช้ f reproduce 39. G fitness ( F -{ f reproduce }) ← ตัวชี้วัดข้อผิดพลาด ( p อ้างอิง , p ประมาณการ ) 40. 41. // เปรียบเทียบประสิทธิภาพ เช่น คำนวณค่าความเหมาะสมเฉพาะที่ของแมลงวัน 42. L fitness ( f reproduce ) ← G fitness ( F -{ f reproduce }) - G fitness ( F ) 43. 44. ฟื้นฟูคุณูปการของแมลงวัน 45. 46. ​​หากค่าความเหมาะสมในพื้นที่ต่ำกว่าหรือเท่ากับ 0 // การคัดเลือกแมลงวันตัวที่ดีที่สามารถสืบพันธุ์ได้โดยใช้เกณฑ์ 47. มิเช่นนั้นให้ไปที่ขั้นตอนที่ 34 // ถ้าreproduceเป็นแมลงวันที่ไม่ดี: เราไม่ควรอนุญาตให้มันแพร่พันธุ์ 48. จากนั้นให้ไปที่ขั้นตอนที่ 53 // ถ้าreproduceเป็นแมลงวันที่ดี: เราสามารถอนุญาตให้มันแพร่พันธุ์ได้ 49. 50. // เลือดใหม่ / การอพยพ 51. แทนที่f killด้วยแมลงวันตัวใหม่ที่มีตำแหน่งแบบสุ่ม ไปที่ขั้นตอนที่ 57 52. 53. // การกลายพันธุ์ 54. คัดลอกf reproduceไปยังf kill 55. เปลี่ยนแปลง ตำแหน่งของf kill เล็กน้อยและแบบสุ่ม 56. 57. เพิ่มจำนวนแมลงวันตัวใหม่เข้าไปในประชากร 58. 59. หากหยุดการบูรณะ 60. จากนั้นไปที่ขั้นตอนที่ 63 61. มิเช่นนั้นให้ไปที่ขั้นตอนที่ 10 62. 63. // สกัดสารละลาย 64. V F ← การแปลงF เป็นโวเซล 65. 66. ส่งคืนV Fจบ

การค้นหาเชิงวิวัฒนาการ

ภาพได้รับการสร้างขึ้นใหม่หลังจากปรับให้เหมาะสมโดยใช้ชุดลายเส้นเป็นรูปแบบสำหรับแต่ละช่องภาพ

ในตัวอย่างนี้ ภาพอินพุตจะถูกประมาณค่าด้วยชุดของชิ้นส่วน (เช่นเดียวกับโมเสก โบราณ ) ชิ้นส่วนแต่ละชิ้นมีทิศทาง (มุม θ) ส่วนประกอบสีสามสี (แดง เขียว น้ำเงิน) ขนาด (กว้าง สูง) และตำแหน่ง (x, y, z) ถ้ามี ชิ้นส่วน Nชิ้น จะมี ตัวเลขทศนิยมที่ไม่ทราบค่า 9N ตัวให้เดา กล่าวอีกนัยหนึ่ง สำหรับชิ้นส่วน 5,000 ชิ้น จะมีตัวเลข 45,000 ตัวให้ค้นหา การใช้อัลกอริธึมวิวัฒนาการแบบคลาสสิก ซึ่งคำตอบของปัญหาการปรับให้เหมาะสมคือบุคคลที่ดีที่สุด จีโนมของแต่ละบุคคลจะประกอบด้วยยีน 45,000 ยีน วิธีการนี้จะมีค่าใช้จ่ายสูงมากในแง่ของความซับซ้อนและเวลาในการคำนวณ เช่นเดียวกับอัลกอริธึมการปรับให้เหมาะสมแบบคลาสสิกอื่นๆ การใช้อัลกอริธึม Fly แต่ละบุคคลจะเลียนแบบชิ้นส่วน และสามารถประเมินได้ทีละคนโดยใช้ค่าความเหมาะสมเฉพาะที่เพื่อประเมินการมีส่วนร่วมต่อประสิทธิภาพของประชากร (ค่าความเหมาะสมโดยรวม) ในที่นี้ แต่ละบุคคลมี 9 ยีนแทนที่จะเป็น 9N และมี บุคคล Nคน สามารถแก้ไขได้โดยใช้วิธีการสร้างแบบจำลองใหม่ดังนี้:

${\displaystyle rebuilding=\operatorname {arg\,min} {\overset {x<W}{\underset {x=0}{\sum }}}{\overset {y<H}{\underset {y=0}{\sum }}}|input(x,y)-P[F](x,y)|}$

โดยที่คือภาพอินพุตและคือพิกเซลพิกัดตามแกนแนวนอนและแนวตั้งตามลำดับและคือความกว้างและความสูงของภาพในหน่วยพิกเซลตามลำดับคือประชากรแมลงวัน และคือตัวดำเนินการฉายภาพที่สร้างภาพจากแมลงวัน ตัวดำเนินการฉายภาพนี้สามารถมีได้หลายรูปแบบ ในงานของเธอ Z. Ali Aboodd ^{[ 16 ]}ใช้OpenGLเพื่อสร้างเอฟเฟกต์ต่างๆ (เช่น โมเสก หรือสีสเปรย์) เพื่อเร่งความเร็วในการประเมินฟังก์ชันความเหมาะสม จึง ใช้ OpenCLด้วยเช่นกัน อัลกอริทึมเริ่มต้นด้วยประชากรที่สร้างขึ้นแบบสุ่ม (ดูบรรทัดที่ 3 ในอัลกอริทึมข้างต้น) จากนั้น จะถูกประเมินโดยใช้ความเหมาะสมโดยรวมเพื่อคำนวณ(ดูบรรทัดที่ 10) คือฟังก์ชันวัตถุประสงค์ที่ต้องลดให้เหลือน้อยที่สุด ${\displaystyle input}$${\displaystyle x}$${\displaystyle y}$${\displaystyle W}$${\displaystyle H}$${\displaystyle F}$${\displaystyle P}$${\displaystyle P}$${\displaystyle F}$${\displaystyle F}$${\displaystyle G_{fitness}(F)={\overset {x<W}{\underset {x=0}{\sum }}}{\overset {y<H}{\underset {y=0}{\sum }}}|input(x,y)-P[F](x,y)|}$${\displaystyle G_{fitness}}$

• การเพิ่มประสิทธิภาพทางคณิตศาสตร์
• เมตาฮิวริสติก
• อัลกอริทึมการค้นหา
• การเพิ่มประสิทธิภาพแบบสุ่ม
• การคำนวณเชิงวิวัฒนาการ
• อัลกอริทึมวิวัฒนาการ
• อัลกอริทึมทางพันธุกรรม
• การกลายพันธุ์ (อัลกอริธึมทางพันธุกรรม)
• การผสมข้ามพันธุ์ (อัลกอริธึมทางพันธุกรรม)
• การคัดเลือก (อัลกอริธึมทางพันธุกรรม)