De Creatieve Computer

Transcriptie

1 De Ceatieve Compute J.I. van Hemet 1 Intoductie Als we de evolutie van computes vluchtig bekijken dan zien we dat de taken die doo computes woden uitgevoed steeds ingewikkelde woden. Met dit uitgangspunt is het heel aadig dat juist evolutie nu een belangijk concept is gewoden bij de vevulling van hedendaagse complexe taken. Hiebij denken we aan het inoosteen van lessen van een gehele univesiteit, het analyseen van enome hoeveelheden financiële data en zelfs het aanstuen van een keneacto. E zijn meedee vaiaties bedacht van deze evolutionaie pobleem oplosses. Stuk voo stuk komen ze voot uit een specifiek pobleem domein. Tegenwoodig zijn deze domeinen wat minde van belang. Zodoende is e besloten alles onde één naam te pesenteen: evolutionay computation. Hie zullen we ons bepeken tot de modenste vaiant, welke veel populaiteit heeft gewonnen in de jaen 90. Deze vaiant, genaamd genetisch pogammeen is doo John Koza bedacht, een student van John Holland, ook wel gezien als de vade van het genetisch algoitme. Om een gevoel te kijgen wat genetisch pogammeen is zullen we eest een eenvoudig voobeeld geven. Dit beschijven we op dezelfde manie als we gewend zijn bij koken, namelijk met een ecept. Daana laten we zien hoe dit ecept aangepast kan woden om andee toepassingen te kijgen. Copyight c 000 by J.I. van Hemet. This mateial may be distibuted only subject to the tems and conditions set foth in the Open Publication License, v1.0 o late (the latest vesion is pesently available at Distibution of substantively modified vesions of this document is pohibited without the explicit pemission of the copyight holde. Distibution of the wok o deivative of the wok in any standad (pape) book fom is pohibited unless pio pemission is obtained fom the copyight holde. Evolutionaie algoitmen Voodat we een evolutionai algoitme ceëen moeten we ons eest afvagen wat het nut van zo n algoitme zal zijn. Hiebij moeten we ons ealiseen dat een evolutionai algoitme niets mee is dan een stochastische optimalisatie techniek. Dat wil zeggen, gegeven een of andee functie die afhangt van een epesentatie van het pobleem, kunnen we een evolutionai algoitme inzetten om deze functie te minimaliseen of te maximaliseen. Bijvoobeeld, gegeven het handelseiziges pobleem en de functie die beekend hoe lang een oute is, kunnen we een evolutionai algoitme gebuiken om deze oute zo kot mogelijk te maken. Wat heeft een evolutionai algoitme nu met evolutie te maken? Deze vaag blijkt lastig te beantwooden gezien de vele discussies ove dit ondewep. E is dan ook niet pecies vastgelegd wat minimaal nodig is om te kwalificeen als een evolutionai algoitme. Oveeengekomen is in iede geval dat het een bevat, dus mee dan één kandidaat oplossing. We paten ove een kandidaat oplossing zolang we nog niet weten of het daadwekelijk een oplossing is. Op de woden twee kachten uitgeoefend, enezijds genetische opeatoen om de vaiatie te vehogen en andezijds selectie om te convegeen naa een optimum. Belangijk zijn ook de concepten fenotype en genotype. Het eeste concept wodt in de biologie geepesenteed doo de buitenweeld. Aangezien wij een pobleem willen oplossen zal ons fenotype bestaan uit een van te voen gedefinieed pobleem. Het tweede concept is in de biologie het genetisch mateiaal van een individu. Voo ons is het de epesentatie van kandidaat oplossingen. De bug tussen de twee wodt gevomd doo de fitness. Deze is in de fysieke weeld

2 onmogelijk exact te beekenen, maa in een evolutionai algoitme is dat meestal geen pobleem. Hoewel we ook voobeelden kunnen bedenken waa dat niet geldt, met name als we een evolutionai algoitme willen inzetten dat een pobleem ealtime in de fysieke weeld moet oplossen. Dan zullen we ons vaak moeten edden met benadeingen. 3 Genetisch pogammeen De belangijkste eigenschap van genetisch pogammeen is de manie waaop het omgaat met kandidaat oplossingen. Deze zijn namelijk executeebaa. Dat wil zeggen dat we een kandidaat oplossing moeten uitvoeen met een zekee invoe alvoens we een daadwekelijke oplossing kijgen voo deze invoe. Dit is een wezenlijk veschil met andee evolutionaie algoitmen waabij elke kandidaat oplossing afgestemd is op pecies één instantie van een pobleem. Een kandidaat oplossing bij genetisch pogammeen kan dus voo meedee instanties van een pobleem ingezet woden. Hiebij willen we nog de kanttekening maken dat individuen in de fysieke weeld vaak de mogelijkheid hebben tot leen. Ondanks dat e ondezoeken lopen op dit gebied is het gebuikelijk dat een kandidaat oplossing, eenmaal geceëed niet mee veanded. Het esultaat wannee we een genetisch pogamma hebben gedaaid is een vezameling executables. Tevens hebben we waaschijnlijk de beste kandidaat oplossing ove alle geneaties bewaad. Bedenk dat we zo n oplossing late onafhankelijk wee kunnen (he)gebuiken. Stel bijvoobeeld dat we met genetisch pogammeen een fomule voo de oppevlakte van een cikel hebben gevonden, dan kunnen we die fomule gebuiken om de oppevlakte van cikels te beekenen die we tot nu nog niet hebben gezien. Natuulijk is het niet zo eenvoudig om executeebae kandidaat oplossingen te geneeen. De eeste poging hietoe is dan ook edelijk simpel. Deze bestaat uit een vezameling expessies geepesenteed in de compute als bomen. Bomen hebben het voodeel dat ze eenvoudig te evalueen zijn. E kunnen bijvoobeeld geen complicaties als oneindige lussen vookomen. Recente ondezoeken hebben zich geicht op mee gecompliceedee stuctuen. Een hoge dempel voo het succes van genetisch pogammeen is de hoeveelheid benodigde uimte en tijd. Naast de gote hoeveelheid kandidaat oplossingen welke stuk voo stuk een flinke omvang kunnen hebben, moeten we voo elk nieuw individu ook nog eens de fitness beekenen. We hebben hie met executeebae oplossingen te maken zodat we elk individu op een goot aantal test cases los moeten laten. Deze techniek veeist dan ook gote hoeveelheden compute geheugen, tijd en geduld. 4 Het ecept We zullen hie een kote beschijving geven van een doosnee genetisch pogamma. Belangijk hiebij is te beseffen dat e nauwelijks een standaad bestaat. Vele vaianten en technische tucs zijn gepobeed. Sommige om een bepaald pobleem op te lossen, andee om het algemene kaakte van een evolutionai algoitme te vebeteen. Daaom beschijven we hie een evolutionai algoitme als een ecept. Een ecept bevat een aantal ingediënten en een beschijving die veteld hoe deze gecombineed moeten woden om tot het eindpoduct te komen. Maa een ecept hoeft niet pecies te zijn, allelei vaiaties zijn mogelijk, al was het alleen maa een veandeing in de volgode van het gebuik van de ingediënten. Wat we hiemee willen zeggen is dat vaiaties wel eens een bete algoitme zullen opleveen. Expeimenteen op dit gebied is zeke aan te aden. De volgode in het ecept zoals die hie gepesenteed wodt is bepaald doo de vookeu van de auteu. Het is deze volgode die we gebuiken bij de daadwekelijke implementatie. Volkomen andes is de manie waaop een ecept wodt ingevuld wannee we een nieuw pobleem aanpakken. Vaak beginnen we met het bedenken van een epesentatie en een fitness en volgt daana de est vanzelf met behulp van liteatuu. Nu volgt het ecept uitgesplitst in ingediënten en beschijving. Om het geheel wat levendige te maken zullen we een ecept geven voo een simpel pobleem bekend als symbolische egessie. Bij symbolische egessie kijgen we een set punten in een vlak en de opdacht een komme hie dooheen te tekken. Als voobeeld gebuiken we de oppevlakte van een cikel.

3 De punten bestaan uit paen van de staal en bijbehoende opgemeten oppevlakte. De opdacht is een fomule te vinden die voo een willekeuige staal de oppevlakte zo goed mogelijk beekend. 4.1 Ingediënten Alvoens we de ingediënten langs lopen vemelden we dat nomaal gespoken de hoeveelheid die we pe ingediënt nodig hebben staat aangegeven. Hie noemen we een hoeveelheid een paamete van het ingediënt. In de loop de tijd zijn e al veel veschillende paametes gepubliceed. Vijwel allemaal zijn ze doo mensen bedacht en gekozen uit een kleine vezameling van pobeesels. We nemen hie de paametes zoals die tegenwoodig vaak gebuikt woden. Voo de eeste standaad keuzes vewijzen we naa het eeste boek van John Koza genaamd Genetic Pogamming. Repesentatie bestaat uit een boom welke equivalent staat aan een fomule (zie Figuu 1). In deze boom zijn wiskundige bewekingen geepesenteed doo knopen. De constanten (, 3,, 0.4,...) en de vaiabelen ( = staal van cikel) vomen de bladeen. De maximale diepte van een boom tijdens het pogamma is meestal 17. Voo de initiële diepte wodt 6 gehanteed. ( ) fenotype genotype Figuu 1: De fomule ( ) geepesenteed doo een boom ( pase-tee ) Initialisatie van de gebeud op twee manieen, de helft van de begin wodt gevomd doo volle bomen (maximale initiële diepte) en de andee helft doo bomen die tot een willekeuige (lagee) diepte goeien. Mek op dat alle knopen en bladeen willekeuig woden gekozen. De gootte van een genetisch pogamma is aan de hoge kant, meestal 500 of Genetische opeatoen Cossove van twee oudes wodt gedaan doo willekeuig een sub-boom in elke oude aan te wijzen en deze daana om te wisselen (zie Figuu ). Meestal is de kans 0.9 dat een intene knoop als wotel van een sub-boom wodt gekozen. Figuu : Een voobeeld van cossove, twee oudes (boven) geneeen twee nieuwe kindeen (onde) doo het omwisselen van sub-bomen Mutatie bestaat in het simpelste geval uit het willekeuig kiezen van een knoop of blad in de tak, waana deze doo een andee knoop dan wel tak wodt vevangen (zie Figuu 3). Andee mutaties woden ook gebuikt, bijvoobeeld het vevangen van een sub-boom met een nieuwe subboom die dan op willekeuige wijze wodt gegeneeed. De mutatie opeato wed in het begin vijwel niet gebuikt. 3 3

4 Figuu 3: Een voobeeld van mutatie, een knoop uit de boom wodt vevangen doo een andee Fitness is bij genetisch pogammeen een tijdovende zaak. Elke kee dat de fitness van één individu beekend moet woden testen we het individu op een set met metingen. We hebben immes bij genetisch pogammeen te maken met executeebae individuen, zodat we deze dus eest meedee malen moeten testen met veschillende invoe waaden. Uit de fouten gemaakt op iedee invoe vomen we een fitness, bijvoobeeld doo de som van de absolute fouten zoals in Tabel 1. staal gemeten individu fout Tabel 1: Een test set voo het cikel pobleem met gemeten fouten bij de fomule uit Figuu 1, de totale fout is hie Selectie Oudes selectie is nodig voodat we cossove toe kunnen passen. We zullen tenslotte eest moeten bepalen wie oudes woden. Bij genetisch pogammeen wodt vaak tounament selectie gebuik. Hiebij selecteen we willekeuig een aantal individuen uit de en laten deze een wedstijd aangaan. Daana mag het individu met de beste fitness waade zich oude noemen. We hehalen deze pocedue totdat we genoeg oudes hebben. E bestaan vele altenatieven, zoals fitness-popotional selectie welke in de begin jaen veel gebuikt wed. Ovelevenden selectie doen we nadat we met behulp van de genetisch opeatoen kindeen hebben gemaakt. Dit bepaald hoe de e de volgende geneatie uit zal zien. Bij genetisch pogammeen wodt e vaak uitgegaan van een zogenaamd geneational model. Hiebij woden alle oudes vevangen doo kindeen. Stopconditie bestaat vaak uit meedee citeia. De belangijkste is dat we stoppen als we een oplossing hebben gevonden. In ons voobeeld betekend dat een pefect model. Dat is lastig te bepalen, want we weten niet van te voen wat het pefecte model is. We zullen stoppen als de fitness nul is, want dan is de fout nul. Helaas kunnen we dan nog modellen hebben die wij als mens niet als pefect aanvaaden. Neem bijvoobeeld deze fomule met een aantal nodeloze bewekingen:. Natuulijk weten we niet zeke of we een optimum zullen vinden dus stoppen we ook na een vooaf bepaalde hoeveelheid geneaties, meestal Beschijving Nu alle ingediënten klaa staan moeten we ze nog samenvoegen tot een genetisch pogamma. Dat lijkt in gote lijnen op de meeste evolutionai algoitmen en is het gemakkelijkst te zien in een plaatje. Figuu 4 geeft aan hoe het geheel wekt. Alleeest wodt e een gemaakt met behulp van de initialisatie en van elk individu in deze wodt onmiddellijk de fitness bepaald. Dan begint de evolutionaie kingloop doo eest een lijst met oudes te selecteen en deze lijst vevolgens te ondewepen aan cossove en mutatie om zo een vezameling kindeen te kijgen. Van deze kindeen moeten we eest wee de fitness beekenen alvoens we de ovelevenden selectie gebuiken om te bepalen wie e doo mag gaan naa de volgende geneatie. Deze kingloop hehaald zich totdat we tijdens het bepalen van de fitness van de kindeen meken dat we ons doel, de stop conditie, hebben beeikt.

5 beeken fitness stat initialisatie & kindeen selectee oudes selectee ovelevenden stop beeken fitness stopconditie voldoet cossove & mutatie & oudes & kindeen Figuu 4: De evolutionaie kingloop waabij ondesteepte temen staan voo ondedelen waavan de fitness bekend is 5 Toepassingen Nu we een ecept hebben voo het beschijven van een genetisch pogamma kunnen we heel eenvoudig een aantal toepassingsgebieden de evue laten passeen. Immes, we kunnen volstaan met de wijzigingen in het eeste ecept. 5.1 Data classificatie Deze toepassing komt uit het gebied data mining. Een veelbelovend gebied nu e veel bedijven zijn met enome hoeveelheden data waauit zij gaag infomatie willen halen. Bij data classificatie is het de bedoeling een model te ceëen dat gegeven een ecod uit de data kan voospellen tot welke klasse dit ecod hoot. Te veduidelijking nemen we als voobeeld een bank. Stel dat deze een lijst van klanten heeft met bijbehoende infomatie zoals inkomen, schulden, aantal kindeen, gehuwd en degelijke. Als een klant uit deze lijst om een lening vaagt dan zou het euze handig zijn om een model te bezitten dat, aan de hand van deze gegevens, zou kunnen voospellen of deze klant daadwekelijk de lening gaat teugbetalen. Met andee wooden valt deze klant in de klasse goede klant of in de klasse slechte klant. >1000 inkomen / 10 als inkomen / (10kindeen) > 1000 dan klant betaald wel teug andes klant betaald niet teug kindeen fenotype genotype Figuu 5: Een voobeeld hoe een model (echts) voo data classificatie kan woden geepesenteed als een boom (links) We kunnen genetisch pogammeen inzetten om een model voo data classificatie te ontwepen. Dit doen we net zoals in het symbolische egessie voobeeld. We nemen bestaande infomatie, dat wil zeggen voobeelden van wel en niet teugbetalen, uit het veleden van de bank en ceëen kandidaat oplossingen die e uit zien zoals in Figuu 5. Een kandidaat oplossing is hie een egel die pobeet te voospellen of een klant wel of niet de lening teugbetaald. We hoeven vijwel geen vedee veandeingen te maken aan het eeste ecept, behalve de fitness functie. Deze bestaat hie uit de som van vekeed geclassificeede ecods. 5. Bestuing van een agent Bij een autonome agent kunnen we aan veel toepassingen denken. Van stofzuigen tot het bestuen van een auto. We zullen hie wat eenvoudige beginnen met een kunstmatige mie. Deze mie heeft als doel het opeten van zoveel mogelijk voedsel in een kunstmatige uimte. De uimte, te zien in Figuu 6, is vedeeld in kades en elk kade kan één item voedsel bevatten. Zo n item is hekenbaa als een. Om de mie fatsoenlijk te kunnen bestuen hebben we infomatie nodig ove de omgeving. We houden dit simpel doo de mie alleen de mogelijkheid te geven te kijken of e voedsel ligt in het vakje echt voouit. Vede kan de mie een vakje naa voen bewegen en naa links of naa echts daaien. Zoda de mie in een vakje met voedsel beland wodt het voedsel diect genuttigd. Figuu 6 laat een voobeeld

6 zien van een mogelijke bestuing van de mie. De knoop uitvoeen voet de ondeliggende instucties van links naa echts uit. De knoop als-voedsel kijkt of e voedsel aanwezig is in het volgende vakje, zo ja dan wodt de linke sub-boom uitgevoed en andes de echte sub-boom. als-voedsel voouit uitvoeen 5.3 Mondiaan Wee iets heel andes, wat mee aan ceativiteit doet denken, is het geneeen van kunst doo de compute. Hie laten we zien hoe we kunstweken kunnen ceëen met een genetisch pogamma zodat deze lijken op kunst gemaakt doo Piete Conelis Mondiaan. We beginnen met een beschijving van de epesentatie en de vetaling van genotype naa fenotype. Figuu 7 laat zien hoe een kunstwek in de compute als boom wodt geepesenteed. Een V staat voo het veticaal opsplitsen van het canvas en een H voo het hoizontaal opsplitsen. De patonen in de bladeen coespondeen met vlakken in het kunstwek. links als-voedsel fenotype V voouit links genotype H Figuu 6: Een voobeeld hoe de bestuing van een kunstmatige mie in een omgeving met voedsel (echts) als boom geepesenteed kan woden (links) fenotype V H Nu we een epesentatie voo de bestuing van een mie hebben kunnen we de est van het eeste ecept kopiëen behalve de fitness functie en de stop conditie. De fitness functie definieen we als de hoeveelheid voedsel gegeten doo de mie veminded met de hoeveelheid instucties uitgevoed. De stop conditie bestaat uit twee delen: we stoppen als al het voedsel op is of na een vaste hoeveelheid uitgevoede instucties. Het genetisch pogamma bestaat dus uit een mieen die om de beut getest woden in de kunstmatige weeld. Uiteindelijk hopen we een mie te geneeen die efficiënt voedsel kan vinden. Hoe simplistisch dit voobeeld ook lijkt, het is vij eenvoudig de fitness functie vede uit te beiden om complexee taken te vevullen. Stel we beiden de kunstmatige weeld uit met obstakels, dan kunnen we in de fitness functie opnemen dat we willen vemijden dat onze mie tegen obstakels aanbotst doo dit negatief te laten meetellen. genotype Figuu 7: Een voobeeld van een imitatie Mondiaan (links) geepesenteed als een boom in een compute (echts) In pincipe kunnen we wee het eeste ecept kopiëen, met één goot veschil. De fitness functie kunnen we hie niet uitekenen. Wat is übehaupt de waade van een schildeij? Dit willen we eigenlijk niet zelf beekenen, maa doo een gebuike laten bepalen. De oplossing is om na elke geneatie alle individuen, kunstweken dus, te pesenteen op een compute schem (zie Figuu 8). Een gebuike geeft een cijfe aan elk kunstwek en dukt op volgende geneatie als hij of zij klaa is. De cijfes kunnen als fitness gebuikt woden bij de selectie methodes uit het eeste ecept. Op deze manie vangen we de subjectieve manie waaop mensen naa kunst kijken. De nauwlettende leze heeft zijn bedenkingen moeten hebben gehad bij de uiteenzetting van de evoluti-

7 onaie Mondiaan geneato. Bij een stenge inspectie zullen we e al snel achte komen dat we hie niet met een genetisch pogamma te maken hebben. Immes elk individu coespondeet met één kunstwek. Vals spel dus, maa waaom? Zoals wij al eede noemden is voo het meten van de fitness van een individu een seie cases nodig. Als we dat hie ook hadden ingevoed dan zouden we met elk individu bijvoobeeld tien kunstweken kunnen vootbengen. Stel dat we negen individuen hebben. Dat zou betekenen dat we de gebuike 90 kunstweken moeten vooschotelen, dat is nog mee dan een op zondagmiddag in een galeie. Daabij komt nog eens dat al deze kunstweken elke geneatie opnieuw bekeken moeten woden. Een ondoenlijke zaak dus. Gelukkig maa, want andes zouden we misschien in staat zijn de ultieme Mondiaan fomule te geneeen. Figuu 8: Een vekleind voobeeld van het evolutionaie Mondiaan pogamma 6 Discussie We hebben laten zien hoe genetisch pogammeen ingezet kan woden op een aantal uiteenlopende applicatie gebieden. Hoewel e nog vele andee gebieden bestaan en wellicht bij zullen komen, hopen we dat deze voobeelden genoeg zijn om aan te geven hoe veelzijdig evolutionay computation, en in het bijzonde genetisch pogammeen, is. Met name het pincipe van executeebae oplossingen maakt genetisch pogammeen een intigeende techniek. Wie weet wat e ooit doo een genetisch pogamma nog geceëed wodt? Wat dat dan ook moge zijn, het blijft voolopig de menselijke ceativiteit die op zoek gaat naa toepassingen voo deze technieken. Maa hoe zit het dan met ceatieve computes? Een inteessante vaag, gezien e nu steeds mee wetenschappes zich op dit ondewep ichten. Wellicht is de vaag wat eenvoudige te beantwooden als we deze andes stellen: wat hebben we nodig voo ceativiteit? Een aadige antwood lijkt te zijn: intelligentie. Maa net zo goed is ceativiteit onmisbaa om van intelligentie te kunnen speken. De technieken zoals wij die hie hebben bespoken zijn nog vee van intelligent, misschien wel omdat zij ceativiteit missen. Hoe mooi of goed we een kunstwek of espectievelijk een oplossing vinden, het is nog steeds een pogamma dat gedeven doo een stochastisch poces en gestuud doo een fitness functie dit kunstwek of deze oplossing voot heeft gebacht. Zolang deze fitness functie nog steeds doo mensen wodt bepaald kunnen we niet speken van een op zich zelf staand intelligent pogamma. Dat computes voolopig nog geen tekenen van ceativiteit afgeven wil niet meteen impliceen dat zij niet in staat zijn taken te doen die vooheen uitsluitend doo mensen weden uitgevoed en waabij wij een zekee mate van ceativiteit vewachten om deze taken uit te kunnen voeen. We moeten hie vooal ekening houden met het feit dat de pogammatuu voo het uitvoeen van ceatieve taken heel wat ceativiteit veeist bij de constuctie evan. Zelfs het gebuik van een pogamma veeist vaak nog heel wat inzicht en evaing. Zoals bijvoobeeld de Mondiaan geneato, deze zal alleen met een hoge mate van succes Mondiaan kunst vootbengen als we het doo

8 iemand laten gebuiken die ook daadwekelijk kan beslissen hoeveel een kunstwek op een Mondiaan lijkt. Natuulijk zouden we dolgaag ceatieve computes aan de gang zien, maa net zoals bij intelligentie zullen we ook hie stuiten op een goot pobleem. Hoe weet je wannee een compute ceatief is? We kunnen wellicht een soot Tuing test bedenken waabij een mens de opdacht kijgt te beoodelen of iets doo een mens dan wel een ceatieve compute is gemaakt. Het blijft de vaag of deze één-pesoons subjectieve test de dooslag kan geven. Dit gezegd willen we in iede geval nog de naduk leggen op het ceatief gebuik maken van deze nieuwe technieken doo mensen. Dit is, zeke op de kote temijn, een ealistisch doel. 7 Vede leesmateiaal In deze sectie staan een aantal bonnen voo de leze die zich vede wil vediepen in het vakgebied. Zelf aad ik aan eest even op het Intenet te kijken aangezien de meeste wetenschappes tegenwoodig vijwel al hun wek daa beschikbaa stellen. 7.1 Op papie An Intoduction to Genetic Pogamming dit boek met die auteus, waavan Wolfgang Banzhaf de bekendste, is een goede inleiding tot het ondewep. Vooop staan alle veschillende vaianten en geteste toepassingen uit de afgelopen tien jaa. Genetic Pogamming I,II & III John Koza wodt gezien als de vade van genetisch pogammeen. Ondetussen heeft hij die (dikke) boeken vol gescheven ove dit ondewep. De eeste bevat voonamelijk speelgoed poblemen. De tweede een nieuwe techniek genaamd automatically defined functions en de dede beschijft hoe genetisch pogammeen kan woden toegepast bij het fabiceen van onde mee elektische cicuits. Advances in Genetic Pogamming 1, & 3 voozichtigheid geboden voo de leken, deze seie boeken is bedoeld om vede vediept te aken in specifieke ondedelen binnen genetisch pogammeen, zoals bijvoobeeld paallellisme en code bloat. Genetic Pogamming and Evolvable Hadwae (jounal) op het moment van schijven zijn deel 1 en van het eeste volume gepubliceed. Deze jounal seie is voo diegene die het beste van het nieuwste uit het vakgebied willen volgen. Evolutionay Design een boek van Pete Bently ove design, optimalisatie, ceativiteit en kunstmatig leven, dit alles met een steke geu naa evolutionaie algoitmen. Hoofdstuk 1 van het boek kan van zijn home page gatis gedownload woden. 7. Elektonisch EvoNet s Flying Cicus met infomatie, demo s en pesentaties ove het hele gebied van evolutionay computation: The home page of Genetic Pogamming Inc. met vijwel alles ove wat e gebeud op dit gebied van ondezoek: Mondiaan At by Evolution met infomatie ove het ondewep, maa ook met de softwae: The Euopean Netwok of Excellence on Evolutionay Computation (EvoNet) biedt veel infomatie aan ove het vakgebied via veschillende kanalen, zeke aan te bevelen is het blad Synegy wat peiodiek toegestuud wodt nadat een gatis individueel lidmaatschap is aangegaan: The Genetic Pogamming Notebook is een goeiende bon van goed gestuctueede infomatie ove genetisch pogammeen, genetische algoitmen en kunstmatige intelligentie.