Algoritmo de vuelo

Parte de una serie sobre el
Algoritmo evolutivo
Desarrollo artificial Vida artificial Algoritmo evolutivo celular Algoritmo cultural Evolución diferencial Fitness efectivo Computación evolutiva Estrategia de evolución Adaptación gaussiana Optimización multimodal evolutiva Optimización de Enjambre de partículas Algoritmo memético Estrategia de evolución natural Neuroevolución Algoritmo genético basado en promotores Algoritmo de optimización en espiral Código auto modificable Código polimórfico
Algoritmo genético
Cromosoma Algoritmo de selección clonal Transversal Mutación Memoria genética Sistemas genéticos difusos Selección Algoritmo de vuelo
Programación genética
Programación genética cartesiana Programación genética lineal Evolución gramatical Programación de expresiones múltiples Mejora genética Esquema Eurisko Punto de referencia de paridad
v t mi

Un colaborador importante de este artículo parece tener una estrecha conexión con su tema. Puede requerir una limpieza para cumplir con las políticas de contenido de Wikipedia, particularmente el punto de vista neutral . Discuta más en la página de discusión . ( Julio de 2018 ) ( Obtenga información sobre cómo y cuándo eliminar este mensaje de plantilla )

Historia

El algoritmo Fly es un tipo de coevolución cooperativa basada en el enfoque parisino. ^[1] El algoritmo Fly se desarrolló por primera vez en 1999 en el ámbito de la aplicación de algoritmos evolutivos a la visión estéreo por computadora . ^{[2] [3]} A diferencia del enfoque clásico de la estereovisión basado en imágenes, que extrae primitivas de imagen y luego las empareja para obtener información en 3-D, el Agoritmo Fly se basa en la exploración directa del espacio en 3D de la escena. . Una mosca se define como un punto tridimensional descrito por sus coordenadas ( x , y , z). Una vez que se ha creado una población aleatoria de moscas en un espacio de búsqueda correspondiente al campo de visión de las cámaras, su evolución (basada en el paradigma de la Estrategia Evolutiva) utilizó una función de aptitud que evalúa la probabilidad de que la mosca esté acostada sobre la superficie visible de un objeto, basado en la consistencia de sus proyecciones de imagen. Para ello, la función fitness utiliza los niveles de gris, colores y / o texturas de las proyecciones calculadas de la mosca.

El primer campo de aplicación del algoritmo Fly ha sido la estereovisión. ^{[2] [3] [4] [5]} Mientras que los enfoques clásicos de "prioridad de imagen" utilizan características coincidentes de las imágenes estéreo para construir un modelo 3-D, el algoritmo Fly explora directamente el espacio 3-D y usa datos de imagen evaluar la validez de hipótesis 3-D. Una variante llamada "Dynamic Flies" define la mosca como un 6-uple ( x , y , z , x ' , y' , z ' ) que involucra la velocidad de la mosca. ^{[6] [7]}Los componentes de la velocidad no se tienen en cuenta explícitamente en el cálculo de la aptitud, pero se utilizan en la actualización de las posiciones de las moscas y están sujetos a operadores genéticos similares (mutación, cruce).

La aplicación de Moscas para evitar obstáculos en vehículos ^[8] aprovecha el hecho de que la población de moscas es una representación de la escena que se adapta al tiempo y que evoluciona casi continuamente para generar directamente señales de control de vehículos a partir de las moscas. El uso del algoritmo Fly no está estrictamente restringido a imágenes estéreo, ya que se pueden agregar otros sensores (por ejemplo, sensores de proximidad acústicos, etc.) como términos adicionales a la función de acondicionamiento físico que se está optimizando. La información de odometría también se puede usar para acelerar la actualización de las posiciones de las moscas y, a la inversa, las posiciones de las moscas se pueden usar para proporcionar información de localización y mapeo. ^[9]

Otro campo de aplicación del algoritmo Fly es la reconstrucción para tomografía de emisión en medicina nuclear . El algoritmo Fly se ha aplicado con éxito en la tomografía computarizada por emisión de fotón único ^[10] y la tomografía por emisión de positrones ^[11] . ^[12] Aquí, cada mosca se considera un emisor de fotones y su aptitud se basa en la conformidad de la iluminación simulada de los sensores con el patrón real observado en los sensores. Dentro de esta aplicación, la función de aptitud se ha redefinido para utilizar el nuevo concepto de "evaluación marginal". Aquí, la aptitud de un individuo se calcula como su contribución (positiva o negativa) a la calidad de la población mundial. Se basa en elprincipio de validación cruzada de dejar uno fuera . Una función de aptitud global evalúa la calidad de la población en su conjunto; solo entonces la aptitud de un individuo (una mosca) se calcula como la diferencia entre los valores de aptitud global de la población con y sin la mosca particular cuya función de aptitud individual debe evaluarse. ^{[13] [14]} En ^[15] la aptitud de cada mosca se considera un "nivel de confianza". Se utiliza durante el proceso de voxelización para modificar la huella individual de la mosca mediante un modelado implícito (como las metabolas ). Produce resultados suaves que son más precisos.

Más recientemente se ha utilizado en el arte digital para generar imágenes en forma de mosaico o pintura en aerosol. ^[16] Se pueden encontrar ejemplos de imágenes en YouTube.

Evolución parisina

Aquí, la población de individuos se considera como una sociedad donde los individuos colaboran hacia un objetivo común. Esto se implementa utilizando un algoritmo evolutivo que incluye todos los operadores genéticos comunes (por ejemplo, mutación, cruce, selección). La principal diferencia está en la función de fitness. Aquí se utilizan dos niveles de función de fitness:

• Una función de aptitud local para evaluar el desempeño de un individuo dado (generalmente se usa durante el proceso de selección).
• Una función de aptitud global para evaluar el desempeño de toda la población. Maximizar (o minimizar según el problema considerado) esta aptitud global es el objetivo de la población.

Además, se requiere un mecanismo de diversidad para evitar que los individuos se reúnan en solo unas pocas áreas del espacio de búsqueda. Otra diferencia está en la extracción de la solución del problema una vez que termina el ciclo evolutivo. En los enfoques evolutivos clásicos, el mejor individuo corresponde a la solución y el resto de la población se descarta. Aquí, todos los individuos (o individuos de un subgrupo de la población) se cotejan para construir la solución del problema. La forma en que se construyen las funciones de aptitud y la forma en que se realiza la extracción de la solución dependen, por supuesto, del problema.

Ejemplos de aplicaciones de Parisian Evolution incluyen:

• El algoritmo Fly .
• Minería de textos .
• Reconocimiento de gestos de mano .
• Modelización de interacciones complejas en procesos industriales agroalimentarios .
• Reconstrucción por tomografía por emisión de positrones .

Desambiguación

Enfoque parisino vs coevolución cooperativa

La coevolución cooperativa es una amplia clase de algoritmos evolutivos en los que un problema complejo se resuelve descomponiéndolo en subcomponentes que se resuelven de forma independiente. El enfoque parisino comparte muchas similitudes con el algoritmo coevolutivo cooperativo . El enfoque parisino hace uso de una sola población, mientras que las múltiples especies pueden usarse en un algoritmo coevolutivo cooperativo . En el algoritmo evolutivo clásico , el algoritmo coevolutivo cooperativo y la evolución parisina se consideran motores evolutivos internos similares . La diferencia entre el algoritmo coevolutivo cooperativo y la evolución parisina reside en la semántica de la población. El algoritmo coevolutivo cooperativo divide un gran problema en subproblemas (grupos de individuos) y los resuelve por separado hacia el gran problema. ^[17] No hay interacción / reproducción entre individuos de las diferentes subpoblaciones, solo con individuos de la misma subpoblación. Sin embargo, los algoritmos evolutivos parisinos resuelven todo un problema como un gran componente. Todos los individuos de la población cooperan juntos para conducir a toda la población hacia áreas atractivas del espacio de búsqueda.

Fly Algorithm vs optimización de enjambre de partículas

La coevolución cooperativa y la optimización del enjambre de partículas (PSO) comparten muchas similitudes. PSO se inspira en el comportamiento social de la bandada de aves o la formación de bancos de peces. ^{[18] [19]} Inicialmente se introdujo como una herramienta para la animación realista en gráficos por computadora. Utiliza individuos complejos que interactúan entre sí para construir comportamientos colectivos visualmente realistas mediante el ajuste de las reglas de comportamiento de los individuos (que pueden usar generadores aleatorios). En la optimización matemática, cada partícula del enjambre sigue de alguna manera su propio camino aleatorio sesgado hacia la mejor partícula del enjambre. En el algoritmo Fly, las moscas apuntan a construir representaciones espaciales de una escena a partir de datos de sensores reales; las moscas no se comunican ni cooperan explícitamente, y no utilizan ningún modelo de comportamiento.

Ambos algoritmos son métodos de búsqueda que comienzan con un conjunto de soluciones aleatorias, que se corrigen iterativamente hacia un óptimo global. Sin embargo, la solución del problema de optimización en el algoritmo Fly es la población (o un subconjunto de la población): las moscas colaboran implícitamente para construir la solución. En PSO la solución es una sola partícula, la que tiene la mejor aptitud. Otra diferencia principal entre el algoritmo Fly y con PSO es que el algoritmo Fly no se basa en ningún modelo de comportamiento, sino que solo construye una representación geométrica.

Aplicaciones del algoritmo Fly

• Visión estéreo por ordenador ^{[2] [3] [4] [5]}
• Evitación de obstáculos ^{[6] [8] [7]}
• Localización y mapeo simultáneos (SLAM) ^[9]
• Reconstrucción por tomografía computarizada por emisión de fotón único (SPECT) ^[10]
• Reconstrucción con tomografía por emisión de positrones (TEP) ^{[11] [12] [13] [14] [15] [20]}
• Arte digital ^{[16] [21]}

Ejemplo: reconstrucción por tomografía

Ejemplo de reconstrucción de un fantasma de hot rod utilizando el algoritmo Fly.

La reconstrucción de la tomografía es un problema inverso que a menudo está mal planteado debido a la falta de datos y / o al ruido. La respuesta al problema inverso no es única y, en caso de un nivel de ruido extremo, es posible que ni siquiera exista. Los datos de entrada de un algoritmo de reconstrucción se pueden dar como la transformada de Radon o sinograma de los datos a reconstruir . es desconocido; es conocida. La adquisición de datos en tomografía se puede modelar como:${\displaystyle \left(Y\right)}$${\displaystyle \left(f\right)}$${\displaystyle f}$${\displaystyle Y}$

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

donde es la matriz del sistema o el operador de proyección y corresponde a algún ruido de Poisson . En este caso la reconstrucción corresponde a la inversión de la transformada Radon :${\displaystyle P}$${\displaystyle \epsilon }$

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

Tenga en cuenta que puede tener en cuenta el ruido, la geometría de adquisición, etc. El algoritmo Fly es un ejemplo de reconstrucción iterativa . Los métodos iterativos en la reconstrucción tomográfica son relativamente fáciles de modelar:${\displaystyle P^{-1}}$

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

donde es una estimación de , que minimiza una métrica de error (aquí ℓ 2 -norm , pero se podrían usar otras métricas de error) entre y . Tenga en cuenta que se puede introducir un término de regularización para evitar el sobreajuste y suavizar el ruido conservando los bordes. Los métodos iterativos se pueden implementar de la siguiente manera:${\displaystyle {\hat {f}}}$${\displaystyle f}$${\displaystyle Y}$${\displaystyle {\hat {Y}}}$

Corrección iterativa en reconstrucción por tomografía.

 (i) La reconstrucción comienza utilizando una estimación inicial de la imagen (generalmente una imagen constante), (ii) Los datos de proyección se calculan a partir de esta imagen, (iii) Las proyecciones estimadas se comparan con las proyecciones medidas, (iv) Se realizan correcciones para corregir la imagen estimada, y (v) El algoritmo itera hasta la convergencia de los conjuntos de proyección estimados y medidos.

El pseudocódigo siguiente es una descripción paso a paso del algoritmo Fly para la reconstrucción tomográfica . El algoritmo sigue el paradigma de estado estacionario. Con fines ilustrativos, se ignoran los operadores genéticos avanzados, como la mitosis, la mutación dual, etc. ^{[22] [23]} . Se puede encontrar una implementación de JavaScript en Fly4PET .

algoritmo fly-algoritmo es  de entrada: número de moscas ( N ), datos de proyección de entrada ( p referencia ) salida: la población de moscas ( F ), las proyecciones estimadas a partir de F ( p estimada ) el volumen 3-D correspondiente a la voxelización de F ( V F ) postcondition: la diferencia entre p estima y p referencia es mínimo. COMIENZO 1. // Inicialización 2. // Establecer la posición de las N moscas, es decir, crear una estimación inicial 3. para cada mosca i  en la población de moscas F  do 4. F ( i ) x ← aleatorio (0, 1) 5. F ( i ) y ← aleatorio (0, 1) 6. F ( i ) z ← aleatorio (0, 1) 7. Sume la proyección de F ( i ) en p estimado 8. 9. // Calcular el rendimiento de la población (es decir, la aptitud global)
10. G de fitness ( F ) ← error métricas ( p referencia , p estima )
11.
12. f kill ← Selecciona una mosca aleatoria de F13.
14. Quite la contribución de f kill de p estimada15.
16. // Calcular el rendimiento de la población sin f matanza
17. G de fitness ( F - { f matanza }) ← error métricas ( p referencia , p estimado )
18.
19. // Compara los rendimientos, es decir, calcula la aptitud local de la mosca.
20. L fitness ( f matar ) ← G fitness ( F - { f kill }) - G fitness ( F )
21.
22. Si la aptitud local es mayor que 0, // Selección de umbral de una mosca mala que se puede matar
23. luego vaya al paso 26. // f kill es una buena mosca (el rendimiento de la población es mejor cuando se incluye f kill ): no debemos matarlo
24. de lo contrario, vaya al paso 28. // f kill es una mala mosca (el desempeño de la población es peor cuando se incluye f kill ): podemos deshacernos de él25.
26. Restaure la contribución de la mosca, luego vaya al Paso 12.
27.
28. Seleccione un operador genético
29.
30. Si el operador genético es una mutación,
31. luego vaya al paso 34.
32. de lo contrario, vaya al paso 50.
33.
34. f reproducir ← Seleccionar una mosca aleatoria de F35.
14. Quite la contribución de f reproduce de p estimada37.
38. // Calcular el rendimiento de la población sin f reproducen
39. G de fitness ( F - { f reproducen }) ← error métricas ( p referencia , p estimado )
40.
41. // Compara los rendimientos, es decir, calcula la aptitud local de la mosca.
42. L fitness ( f reproducir ) ← G fitness ( F - { f reproducir }) - G fitness ( F )
43.
44. Restaura la contribución de la mosca
45.
46. Si la aptitud local es menor o igual a 0, // Selección de umbral de una buena mosca que pueda reproducirse
47. de lo contrario, vaya al paso 34. // f kill es una mosca mala: no debemos permitir que se reproduzca
48. luego vaya al paso 53. // f kill es una buena mosca: podemos permitir que se reproduzca49.
50. // Sangre nueva / Inmigración
51. Reemplace f kill por una nueva mosca con una posición aleatoria, vaya al paso 57.
52.
53. // Mutación
54. Copie f reproducir en f kill
55. Altere leve y aleatoriamente la posición de f kill56.
57. Sume la contribución de la nueva mosca a la población.
58.
59. Si detiene la reconstrucción,
60. luego vaya al paso 63.
61. de lo contrario, vaya al paso 10.
62.
63. // Extraer la solución
64. V F ← voxelización de Fsesenta y cinco.
66. volver  V F FIN

Ejemplo: artes digitales

Búsqueda evolutiva.

Imagen reconstruida después de la optimización utilizando un conjunto de rayas como patrón para cada mosaico.

En este ejemplo, una imagen de entrada debe aproximarse mediante un conjunto de mosaicos (por ejemplo, como en un mosaico antiguo ). Un mosaico tiene una orientación (ángulo θ), tres componentes de color (R, G, B), un tamaño (w, h) y una posición (x, y, z). Si hay N fichas, hay 9 Nnúmeros de coma flotante desconocidos para adivinar. En otras palabras, para 5,000 fichas, hay 45,000 números para encontrar. Utilizando un algoritmo evolutivo clásico donde la respuesta al problema de optimización es el mejor individuo, el genoma de un individuo estaría compuesto por 45.000 genes. Este enfoque sería extremadamente costoso en términos de complejidad y tiempo de cálculo. Lo mismo se aplica a cualquier algoritmo de optimización clásico. Usando el algoritmo Fly, cada individuo imita un mosaico y puede ser evaluado individualmente usando su aptitud local para evaluar su contribución al rendimiento de la población (la aptitud global). Aquí un individuo tiene 9 genes en lugar de 9 N , y hay N individuos. Se puede resolver como un problema de reconstrucción de la siguiente manera:

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

donde es la imagen de entrada y son las coordenadas de píxeles a lo largo del eje horizontal y vertical respectivamente, y son el ancho y alto de la imagen en número de píxeles respectivamente, es la población de moscas y es un operador de proyección que crea una imagen a partir de moscas. Este operador de proyección puede adoptar muchas formas. En su trabajo, Z. Ali Aboodd ^[16] utiliza OpenGL para generar diferentes efectos (por ejemplo, mosaicos o pintura en aerosol). Para acelerar la evaluación de las funciones de fitness, también se utiliza OpenCL . El algoritmo comienza con una población que se genera aleatoriamente (vea la Línea 3 en el algoritmo anterior).${\displaystyle input}$${\displaystyle x}$${\displaystyle y}$${\displaystyle W}$${\displaystyle H}$${\displaystyle F}$${\displaystyle P}$${\displaystyle P}$${\displaystyle F}$${\displaystyle F}$luego se evalúa utilizando la aptitud global para calcular (ver Línea 10). es una métrica de error, debe minimizarse.${\displaystyle G_{fitness}(F)={\overset {x<W}{\underset {y=0}{\sum }}}{\overset {j<H}{\underset {j=0}{\sum }}}|input(x,y)-P[F](x,y)|}$${\displaystyle G_{fitness}}$

Ver también

• Optimización matemática
• Metaheurístico
• Algoritmo de búsqueda
• Optimización estocástica
• Computación evolutiva
• Algoritmo evolutivo
• Algoritmo genético
• Mutación (algoritmo genético)
• Crossover (algoritmo genético)
• Selección (algoritmo genético)

Referencias

1. Collet, Pierre; Louchet, Jean (octubre de 2009). "La evolución artificial y el enfoque parisino: aplicaciones en el procesamiento de señales e imágenes". En Siarry, Patrick (ed.). Optimización en Procesamiento de Señales e Imágenes . Wiley-ISTE. ISBN 9781848210448.
2. Louchet, Jean (febrero de 2000). L'algorithme des mouches: une stratégie d'évolution individuelle appliquée en stéréovision . Reconnaissance des Formes et Intelligence Artificielle (RFIA2000).
3. Louchet, Jean (septiembre de 2000). Análisis estéreo mediante estrategia de evolución individual . Actas de la 15ª Conferencia Internacional sobre Reconocimiento de Patrones, 2000 (ICPR'00). Barcelona, ​​España: IEEE. págs. 908–911. doi : 10.1109 / ICPR.2000.905580 . ISBN 0-7695-0750-6.
4. Louchet, Jean (junio de 2001). "Uso de una estrategia de evolución individual para Stereovision". Programación genética y máquinas evolutivas . 2 (2): 101–109. doi : 10.1023 / A: 1011544128842 . S2CID 8953837 . 
5. Boumaza, amina; Louchet, Jean (abril de 2003). "Fusión de sensor de robot móvil utilizando moscas". Apuntes de conferencias sobre informática . Conferencia europea sobre programación genética (EuroGP 2003). 2611 . Essex, Reino Unido: Springer. págs. 357–367. doi : 10.1007 / 3-540-36605-9_33 . ISBN 978-3-540-00976-4.
6. Louchet, Jean; Guyon, Maud; Lesot, Marie-Jeanne; Boumaza, Amine (marzo de 2002). "L'algorithme des mouches dynamiques: guider un robot par évolution artificielle en temps réel" (PDF) . En Lattaud, Claude (ed.). Apprentissage Automatique et Evolution Artificielle (en francés). Publicaciones Hermes Sciences. ISBN  978-2746203600.
7. Louchet, Jean; Guyon, Maud; Lesot, Marie-Jeanne; Boumaza, Amine (enero de 2002). "Dynamic Flies: una nueva herramienta de reconocimiento de patrones aplicada al procesamiento de secuencias estéreo" (PDF) . Cartas de reconocimiento de patrones . 23 (1-3): 335-345. doi : 10.1016 / S0167-8655 (01) 00129-5 .
8. Boumaza, amina; Louchet, Jean (abril de 2001). "Moscas dinámicas: utilizando la evolución en tiempo real en robótica". Apuntes de conferencias sobre informática . Evolución artificial en análisis de imágenes y procesamiento de señales (EVOIASP2001). 2037 . Como, Italia: Springer. págs. 288-297. doi : 10.1007 / 3-540-45365-2_30 . ISBN 978-3-540-41920-4.
9. Louchet, Jean; Sapin, Emmanuel (2009). "Moscas abren una puerta para SLAM". Apuntes de conferencias en Ciencias de la Computación . Aplicaciones de la Computación Evolutiva (EvoApplications 2009). 5484 . Tubinga, Alemania: Springer. págs. 385–394. doi : 10.1007 / 978-3-642-01129-0_43 .
10. Bousquet, Aurélie; Louchet, Jean-Marie; Rocchisani, Jean (octubre de 2007). "Reconstrucción evolutiva tomográfica completamente tridimensional en medicina nuclear" (PDF) . Apuntes de conferencias en Ciencias de la Computación . Actas de la 8ª conferencia internacional sobre evolución artificial (EA'07). 4926 . Tours, Francia: Springer, Heidelberg. págs. 231–242. doi : 10.1007 / 978-3-540-79305-2_20 . ISBN  978-3-540-79304-5.
11. Vidal, Franck P .; Lázaro-Ponthus, Delphine; Legoupil, Samuel; Louchet, Jean; Lutton, Évelyne; Rocchisani, Jean-Marie (octubre de 2009). "Evolución artificial para la reconstrucción 3D PET" (PDF) . Apuntes de conferencias en Ciencias de la Computación . Actas de la novena conferencia internacional sobre evolución artificial (EA'09). 5975 . Estrasburgo, Francia: Springer, Heidelberg. págs. 37–48. doi : 10.1007 / 978-3-642-14156-0_4 . ISBN  978-3-642-14155-3.
12. Vidal, Franck P .; Louchet, Jean; Lutton, Évelyne; Rocchisani, Jean-Marie (octubre-noviembre de 2009). "Reconstrucción de PET utilizando una estrategia de coevolución cooperativa en el espacio LOR". Registro de la conferencia del Simposio de Ciencias Nucleares del IEEE (NSS / MIC), 2009 . Conferencia de Imagen Médica (MIC). Orlando, Florida: IEEE. págs. 3363–3366. doi : 10.1109 / NSSMIC.2009.5401758 .
13. Vidal, Franck P .; Louchet, Jean; Rocchisani, Jean-Marie; Lutton, Évelyne (abril de 2010). "Nuevos operadores genéticos en el algoritmo Fly: aplicación a la reconstrucción de imágenes médicas PET" (PDF) . Apuntes de conferencias en Ciencias de la Computación . Taller europeo sobre computación evolutiva en análisis de imágenes y procesamiento de señales (EvoIASP'10). 6024 . Estambul, Turquía: Springer, Heidelberg. págs. 292-301. doi : 10.1007 / 978-3-642-12239-2_30 . ISBN  978-3-642-12238-5.
14. Vidal, Franck P .; Lutton, Évelyne; Louchet, Jean; Rocchisani, Jean-Marie (septiembre de 2010). "Selección de umbral, mitosis y mutación dual en coevolución cooperativa: aplicación a la tomografía 3D médica" (PDF) . Apuntes de conferencias en Ciencias de la Computación . Conferencia internacional sobre resolución paralela de problemas a partir de la naturaleza (PPSN'10). 6238 . Cracovia, Polonia: Springer, Heidelberg. págs. 414–423. doi : 10.1007 / 978-3-642-15844-5_42 .
15. Ali Abbood, Zainab; Lavauzelle, Julien; Lutton, Évelyne; Rocchisani, Jean-Marie; Louchet, Jean; Vidal, Franck P. (2017). "Voxelización en el algoritmo de mosca 3-D para PET" (PDF) . Computación enjambre y evolutiva . 36 : 91-105. doi : 10.1016 / j.swevo.2017.04.001 . ISSN 2210-6502 .  
16. Ali Abbood, Zainab; Amlal, Othman; Vidal, Franck P. (abril de 2017). "Arte evolutivo utilizando el algoritmo de la mosca" (PDF) . Apuntes de conferencias en Ciencias de la Computación . Aplicaciones de la Computación Evolutiva (EvoApplications 2017). 10199 . Amsterdam, Países Bajos: Springer. págs. 455–470. doi : 10.1007 / 978-3-319-55849-3_30 .
17. Mesejo, Pablo; Ibáñez, Oscar; Fernández-blanco, Enrique; Cedron, Francisco; Pazos, Alejandro; Porto-pazos, Ana (2015). "Neurona artificial - enfoque de aprendizaje de redes Glia basado en coevolución cooperativa" (PDF) . Revista internacional de sistemas neuronales . 25 (4): 1550012. doi : 10.1142 / S0129065715500124 . hdl : 2183/17502 . PMID 25843127 .  
18. Kennedy, J; Eberhart, R (1995). Optimización del enjambre de partículas . Actas de la Conferencia Internacional IEEE sobre Redes Neuronales. IEEE. págs. 1942-1948. doi : 10.1109 / ICNN.1995.488968 .
19. Shi, Y; Eberhart, R (1998). Un optimizador de enjambre de partículas modificado . Actas de la Conferencia Internacional IEEE sobre Computación Evolutiva. IEEE. págs. 69–73. doi : 10.1109 / ICEC.1998.699146 .
20. Abbood, Zainab Ali; Vidal, Franck P. (2017). "Operadores de mutación básica, dual, adaptativa y dirigida en el algoritmo de mosca". Apuntes de conferencias en Ciencias de la Computación . XIII Bienal Internacional de Evolución Artificial (EA-2017). París, Francia. págs. 106-119. ISBN 978-2-9539267-7-4.
21. Abbood, Zainab Ali; Vidal, Franck P. (octubre de 2017). "Fly4Arts: arte digital evolutivo con el algoritmo Fly" . Arte y ciencia . 17–1 (1): 1–6. doi : 10.21494 / ISTE.OP.2017.0177 .
22. Vidal, Franck P .; Lutton, Évelyne; Louchet, Jean; Rocchisani, Jean-Marie (septiembre de 2010). "Selección de umbral, mitosis y mutación dual en coevolución cooperativa: aplicación a la tomografía 3D médica" (PDF) . Apuntes de conferencias en Ciencias de la Computación . Resolución de problemas paralelos desde la naturaleza - PPSN XI. 6238 . Cracovia, Polonia: Springer Berlin / Heidelberg. págs. 414–423. doi : 10.1007 / 978-3-642-15844-5_42 . ISBN  978-3-642-15843-8.
23. Ali Abbood, Zainab; Vidal, Franck P. (octubre de 2017). "Operadores de mutación básica, dual, adaptativa y dirigida en el algoritmo de mosca". Apuntes de conferencias en Ciencias de la Computación . XIII Bienal Internacional de Evolución Artificial. París, Francia: Springer-Verlag.