学習可能な進化モデル（LEM）は、機械学習を用いて新しい個体（問題解決候補）の生成を導く、非ダーウィン的な進化計算手法です。新しい個体を生成するためにランダムまたは半ランダムな演算子（突然変異や組み換えなど）を使用する標準的なダーウィン型の進化計算手法とは異なり、LEMは仮説生成演算子とインスタンス化演算子を使用します。
仮説生成演算子は、機械学習プログラムを適用して、連続する各集団において、適応度の高い個体と低い個体を区別する記述を生成します。このような記述は、探索空間内で望ましい解が含まれている可能性が最も高い領域を区別します。続いて、インスタンス化演算子がこれらの領域をサンプリングして新しい個体を生成します。LEMは、ID3による拡張LEM（2013年2月、M. Elemam Shehab、K. Badran、M. Zaki、Gouda I. Salama）によって、最適化領域から分類領域へと変更されました。
参考文献一覧
- Cervone, P.; Franzese (2010年1月)、「大気排出源検出のための機械学習」、第8回環境科学への人工知能応用に関する会議議事録、コードJ1.7
- Wojtusiak, J.; Michalski, RS (2006)、「学習可能な進化モデルのLEM3実装と複雑な関数最適化問題におけるそのテスト」、第8回遺伝的および進化的計算に関する年次会議議事録、シアトル、ワシントン州、p. 1281、CiteSeerX 10.1.1.72.2298、doi : 10.1145/1143997.1144197、ISBN 978-1595931863S2CID 6133889
{{citation}}: CS1メンテナンス: 場所の発行元が見つかりません (リンク) - Wojtusiak, J. (2006年7月8日～12日)、「学習可能な進化モデルにおける制約付き最適化問題の処理に関する初期研究」、遺伝的アルゴリズムと進化的計算に関する国際会議（GECCO 2006）大学院生ワークショップ論文集
- Jourdan, L.; Corne, D.; Savic, D.; Walters, G. (2005)、「より速く、より良い多目的水システム設計のための「学習可能な進化モデル」の予備調査」、進化的多基準最適化、Lecture Notes in Computer Science、vol. 3410、pp. 841–855、CiteSeerX 10.1.1.73.9653、doi : 10.1007/978-3-540-31880-4_58、ISBN 978-3-540-24983-2
- Domanski, PA; Yashar, D.; Kaufman, K.; Michalski, RS (2004年4月)、「学習可能な進化モデルを用いたフィン付きチューブ式蒸発器の最適化設計」、International Journal of Heating, Ventilating, Air-Conditioning and Refrigerating Research、10 : 201–211
- Kaufman, K.; Michalski, RS (2000)、「熱交換器設計への学習可能な進化モデルの適用」、第17回人工知能全国会議（AAAI-2000）および第12回人工知能革新的応用年次会議（IAAI- 2000 ）議事録：1014–1019
- Cervone, G.; Michalski, RS; Kaufman, KA (2000年7月)「学習可能な進化モデルの実験的検証」2000年進化計算会議議事録。CEC00 (カタログ番号00TH8512)。第2巻、1064～ 1071ページ。doi : 10.1109 /CEC.2000.870765。ISBN 0-7803-6375-2. S2CID 3149132 .
- Michalski, RS (2000)、「機械学習によって導かれる進化プロセス：学習可能な進化モデル」、機械学習、38 : 9–40、doi : 10.1023/A:1007677805582
- Michalski, R.S. (1998年6月11日～13日)、「学習可能な進化：記号学習と進化学習の組み合わせ」、第4回マルチストラテジー学習に関する国際ワークショップ（MSL'98）議事録：14～ 20
- H Yar, M. (2016年6月11日～13日)、「進化計算に関する概説：方法と工学への応用」、Mod. Appl. Sci : 14–20
