Nghiên cứu và Ứng dụng Kỹ Thuật Tính Toán Tiến Hóa trong Tóm Tắt Tự Động

Nghiên cứu và ứng dụng kỹ thuật tính toán tiến hóa trong tóm tắt văn bản tự động, mang lại giải pháp hiệu quả cho xử lý ngôn ngữ tự nhiên.

• Tác giả: Do Thuy Duong
• Người hướng dẫn: Assoc. Nguyen Xuan Hoai
• Trường học: Vietnam National University, Hanoi University of Engineering and Technology
• Chuyên ngành: Information Technology
• Đề tài: Research and Apply Evolutionary Computation Techniques on Automatic Text Summarization
• Loại tài liệu: master thesis
• Năm xuất bản: 2015
• Địa điểm: Hanoi

Tóm tắt

I. Tóm Tắt Tự Động và Kỹ Thuật Tính Toán Tiến Hóa Tổng Quan

Tóm tắt tự động là quá trình trích xuất và cô đọng thông tin quan trọng từ một hoặc nhiều văn bản. Đây là một lĩnh vực đầy thách thức, giao thoa giữa trí tuệ nhân tạo (AI), thống kê và ngôn ngữ học. Kỹ thuật tính toán tiến hóa cung cấp một hướng tiếp cận mới, sử dụng các thuật toán mô phỏng quá trình tiến hóa tự nhiên để tìm ra giải pháp tối ưu cho bài toán này. Bài toán tóm tắt tự động đòi hỏi phải chọn lọc các câu văn hoặc đoạn văn quan trọng nhất để tạo ra một bản tóm tắt ngắn gọn nhưng vẫn giữ được ý nghĩa cốt lõi của văn bản gốc. Các phương pháp truyền thống thường dựa vào tần suất từ hoặc các quy tắc ngôn ngữ, trong khi thuật toán tiến hóa có thể khám phá không gian giải pháp phức tạp hơn, tìm ra những kết hợp câu văn hiệu quả hơn. Nghiên cứu này tập trung vào ứng dụng giải thuật tiến hóa vi phân vào bài toán tóm tắt đa văn bản, đồng thời giải quyết vấn đề kiểm soát độ dài tóm tắt.

1.1. Giới thiệu về bài toán tóm tắt tự động văn bản

Tóm tắt tự động là một lĩnh vực quan trọng trong xử lý ngôn ngữ tự nhiên (NLP), nhằm mục đích tạo ra các phiên bản ngắn gọn của văn bản gốc trong khi vẫn giữ lại thông tin quan trọng nhất. Nó đóng vai trò thiết yếu trong việc giúp người dùng tiếp cận thông tin hiệu quả hơn trong kỷ nguyên bùng nổ thông tin. Các phương pháp tóm tắt tự động có thể được chia thành hai loại chính: trích dẫn (extractive) và trừu tượng (abstractive). Tóm tắt trích dẫn chọn các câu hoặc đoạn văn từ văn bản gốc để tạo thành bản tóm tắt, trong khi tóm tắt trừu tượng tạo ra các câu mới để diễn đạt lại ý chính.

1.2. Tổng quan về kỹ thuật tính toán tiến hóa trong NLP

Kỹ thuật tính toán tiến hóa là một nhánh của trí tuệ nhân tạo, lấy cảm hứng từ quá trình tiến hóa tự nhiên. Các thuật toán này sử dụng các cơ chế như đột biến, lai ghép và chọn lọc để tìm kiếm các giải pháp tối ưu cho các vấn đề phức tạp. Trong lĩnh vực NLP, các thuật toán tiến hóa đã được áp dụng thành công trong nhiều bài toán, bao gồm tóm tắt tự động, phân tích cảm xúc và dịch máy.

II. Thách Thức Tóm Tắt Tự Động Giải Pháp Tính Toán Tiến Hóa

Bài toán tóm tắt tự động đối mặt với nhiều thách thức. Việc xác định các câu văn quan trọng nhất, đảm bảo tính mạch lạc và tránh lặp lại thông tin là những vấn đề then chốt. Các phương pháp dựa trên tần suất từ đơn thuần thường không đủ để nắm bắt được ngữ nghĩa sâu sắc của văn bản. Kỹ thuật tính toán tiến hóa cung cấp một giải pháp mạnh mẽ bằng cách xem mỗi bản tóm tắt tiềm năng như một cá thể trong quần thể. Các cá thể này trải qua quá trình tiến hóa, với mục tiêu tối ưu hóa một hàm mục tiêu phản ánh chất lượng của bản tóm tắt. Việc thiết kế hàm mục tiêu phù hợp là rất quan trọng để đảm bảo bản tóm tắt vừa ngắn gọn, vừa bao phủ được thông tin quan trọng, vừa đảm bảo tính mạch lạc và dễ đọc. Nghiên cứu này tập trung vào việc cải thiện khả năng kiểm soát độ dài của bản tóm tắt, một vấn đề thường gặp trong các phương pháp thuật toán tiến hóa.

2.1. Các hạn chế của phương pháp tóm tắt truyền thống

Các phương pháp tóm tắt tự động truyền thống thường dựa vào các đặc trưng thống kê đơn giản như tần suất từ hoặc vị trí câu. Tuy nhiên, những phương pháp này có nhiều hạn chế, chẳng hạn như không thể nắm bắt được ngữ nghĩa sâu sắc của văn bản, dễ bị ảnh hưởng bởi các từ dừng (stop words) và không thể xử lý tốt các văn bản phức tạp.

2.2. Ưu điểm của kỹ thuật tính toán tiến hóa so với các phương pháp khác

Kỹ thuật tính toán tiến hóa có một số ưu điểm so với các phương pháp tóm tắt truyền thống. Đầu tiên, chúng có thể khám phá không gian giải pháp rộng lớn hơn và tìm ra các giải pháp không dễ tìm thấy bằng các phương pháp khác. Thứ hai, chúng có thể dễ dàng tích hợp nhiều tiêu chí đánh giá khác nhau vào hàm mục tiêu, chẳng hạn như độ dài, độ chính xác và độ trôi chảy. Thứ ba, chúng có thể tự động thích ứng với các loại văn bản khác nhau.

III. Phương Pháp Tóm Tắt Tự Động với Giải Thuật Tiến Hóa Vi Phân

Giải thuật tiến hóa vi phân (DE) là một thuật toán tối ưu hóa mạnh mẽ, đặc biệt phù hợp với các bài toán có không gian giải pháp liên tục. Trong bài toán tóm tắt tự động, mỗi cá thể trong quần thể DE biểu diễn một bản tóm tắt tiềm năng. Thuật toán DE sử dụng các phép toán như đột biến, lai ghép và chọn lọc để cải thiện chất lượng của quần thể qua các thế hệ. Hàm mục tiêu được thiết kế để đánh giá chất lượng của mỗi bản tóm tắt dựa trên các tiêu chí như độ dài, độ bao phủ thông tin và tính mạch lạc. Nghiên cứu này đề xuất một phương pháp cải tiến DE để kiểm soát độ dài bản tóm tắt, một vấn đề quan trọng để đảm bảo bản tóm tắt phù hợp với yêu cầu của người dùng. Việc sử dụng DE mang lại khả năng tìm kiếm các bản tóm tắt tối ưu trong không gian rộng lớn các khả năng.

3.1. Chi tiết về giải thuật tiến hóa vi phân DE và ứng dụng

Giải thuật tiến hóa vi phân (DE) là một thuật toán tối ưu hóa dựa trên quần thể, sử dụng các phép toán đột biến, lai ghép và chọn lọc để tìm kiếm giải pháp tối ưu. Trong bài toán tóm tắt tự động, mỗi cá thể trong quần thể DE biểu diễn một bản tóm tắt tiềm năng. Thuật toán DE lặp đi lặp lại các bước sau: chọn ba cá thể ngẫu nhiên, tạo ra một cá thể đột biến bằng cách kết hợp hai trong số các cá thể đó, tạo ra một cá thể lai ghép bằng cách kết hợp cá thể đột biến với cá thể mục tiêu, và cuối cùng chọn cá thể tốt nhất trong số cá thể mục tiêu và cá thể lai ghép để đưa vào thế hệ tiếp theo.

3.2. Thiết kế hàm mục tiêu để đánh giá chất lượng tóm tắt

Hàm mục tiêu là thành phần quan trọng nhất của thuật toán tiến hóa. Nó được sử dụng để đánh giá chất lượng của mỗi cá thể trong quần thể. Trong bài toán tóm tắt tự động, hàm mục tiêu thường bao gồm các thành phần sau: độ dài của bản tóm tắt (càng ngắn càng tốt), độ bao phủ thông tin của bản tóm tắt (càng cao càng tốt) và tính mạch lạc của bản tóm tắt (càng cao càng tốt). Hàm mục tiêu cần được thiết kế cẩn thận để đảm bảo rằng thuật toán tìm kiếm các bản tóm tắt đáp ứng được các tiêu chí quan trọng nhất.

IV. Cải Tiến Kiểm Soát Độ Dài Tóm Tắt trong Giải Thuật Tiến Hóa

Một trong những thách thức chính khi áp dụng giải thuật tiến hóa vào tóm tắt tự động là kiểm soát độ dài của bản tóm tắt. Các phương pháp truyền thống thường sử dụng một hệ số phạt để giảm giá trị của các bản tóm tắt quá dài, nhưng cách tiếp cận này có thể không hiệu quả. Nghiên cứu này đề xuất một phương pháp mới, sử dụng một cơ chế chọn lọc dựa trên ngưỡng độ dài. Các bản tóm tắt vượt quá ngưỡng độ dài sẽ bị loại bỏ khỏi quần thể, đảm bảo rằng chỉ có các bản tóm tắt có độ dài phù hợp mới được tiếp tục tiến hóa. Phương pháp này giúp cải thiện đáng kể hiệu quả của giải thuật tiến hóa trong việc tạo ra các bản tóm tắt ngắn gọn và súc tích, đáp ứng yêu cầu về độ dài của người dùng.

4.1. Vấn đề kiểm soát độ dài tóm tắt và các hạn chế

Việc kiểm soát độ dài bản tóm tắt là một thách thức quan trọng trong tóm tắt tự động. Hầu hết người dùng đều mong muốn nhận được các bản tóm tắt ngắn gọn và súc tích, nhưng việc đảm bảo rằng bản tóm tắt không vượt quá độ dài cho phép là một vấn đề khó khăn. Các phương pháp truyền thống thường sử dụng các hệ số phạt để giảm giá trị của các bản tóm tắt quá dài, nhưng cách tiếp cận này có thể dẫn đến các bản tóm tắt có chất lượng thấp.

4.2. Đề xuất cơ chế chọn lọc dựa trên ngưỡng độ dài

Nghiên cứu này đề xuất một cơ chế chọn lọc dựa trên ngưỡng độ dài để giải quyết vấn đề kiểm soát độ dài bản tóm tắt. Theo cơ chế này, các bản tóm tắt vượt quá ngưỡng độ dài cho phép sẽ bị loại bỏ khỏi quần thể. Cơ chế này đảm bảo rằng chỉ có các bản tóm tắt có độ dài phù hợp mới được tiếp tục tiến hóa, giúp cải thiện đáng kể hiệu quả của thuật toán.

V. Kết Quả Nghiên Cứu Ứng Dụng Thực Tế Tóm Tắt Tiến Hóa

Nghiên cứu đã tiến hành các thí nghiệm trên bộ dữ liệu tiêu chuẩn DUC2004 và DUC2007 để đánh giá hiệu quả của phương pháp đề xuất. Kết quả cho thấy rằng phương pháp cải tiến DE có thể tạo ra các bản tóm tắt ngắn gọn hơn và có độ bao phủ thông tin tương đương so với các phương pháp truyền thống. Điều này chứng tỏ rằng việc kiểm soát độ dài bản tóm tắt một cách hiệu quả có thể cải thiện đáng kể chất lượng của bản tóm tắt. Các ứng dụng thực tế của tóm tắt tự động rất đa dạng, từ việc tóm tắt tin tức, báo cáo khoa học đến các tài liệu pháp lý. Việc ứng dụng kỹ thuật tính toán tiến hóa mang lại tiềm năng to lớn để nâng cao hiệu quả và chất lượng của các hệ thống tóm tắt tự động.

5.1. Đánh giá hiệu năng trên bộ dữ liệu DUC2004 và DUC2007

Nghiên cứu đã tiến hành các thí nghiệm trên bộ dữ liệu DUC2004 và DUC2007, là các bộ dữ liệu tiêu chuẩn trong lĩnh vực tóm tắt tự động. Kết quả cho thấy rằng phương pháp đề xuất có thể tạo ra các bản tóm tắt ngắn gọn hơn và có độ bao phủ thông tin tương đương so với các phương pháp truyền thống, cho thấy hiệu quả của phương pháp trong việc kiểm soát độ dài.

5.2. Các ứng dụng thực tế của tóm tắt tự động trong nhiều lĩnh vực

Tóm tắt tự động có nhiều ứng dụng thực tế trong nhiều lĩnh vực khác nhau, bao gồm tóm tắt tin tức, tóm tắt báo cáo khoa học, tóm tắt tài liệu pháp lý và tóm tắt email. Các ứng dụng này giúp người dùng tiết kiệm thời gian và công sức trong việc tìm kiếm và tiếp cận thông tin quan trọng.

VI. Kết Luận Hướng Phát Triển Tương Lai Tóm Tắt Tiến Hóa

Nghiên cứu này đã trình bày một phương pháp hiệu quả để ứng dụng kỹ thuật tính toán tiến hóa, đặc biệt là giải thuật tiến hóa vi phân, vào bài toán tóm tắt tự động. Phương pháp đề xuất tập trung vào việc cải thiện khả năng kiểm soát độ dài của bản tóm tắt, một vấn đề quan trọng để đáp ứng yêu cầu của người dùng. Các kết quả thí nghiệm cho thấy rằng phương pháp này có thể tạo ra các bản tóm tắt ngắn gọn và súc tích hơn so với các phương pháp truyền thống. Trong tương lai, có thể mở rộng nghiên cứu này bằng cách kết hợp mô hình hóa ngôn ngữ tiên tiến như BERT hoặc GPT vào hàm mục tiêu để cải thiện tính mạch lạc và dễ đọc của bản tóm tắt.

6.1. Tóm tắt những đóng góp chính của nghiên cứu

Nghiên cứu này đã đóng góp vào lĩnh vực tóm tắt tự động bằng cách đề xuất một phương pháp hiệu quả để kiểm soát độ dài bản tóm tắt sử dụng giải thuật tiến hóa vi phân. Phương pháp này có thể tạo ra các bản tóm tắt ngắn gọn hơn và có độ bao phủ thông tin tương đương so với các phương pháp truyền thống.

6.2. Các hướng nghiên cứu tiềm năng trong tương lai

Trong tương lai, có thể mở rộng nghiên cứu này bằng cách kết hợp mô hình hóa ngôn ngữ tiên tiến như BERT hoặc GPT vào hàm mục tiêu để cải thiện tính mạch lạc và dễ đọc của bản tóm tắt. Ngoài ra, có thể nghiên cứu các thuật toán tiến hóa khác nhau, chẳng hạn như giải thuật di truyền, hoặc khám phá các phương pháp lai ghép khác nhau để cải thiện hiệu suất của thuật toán.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY DO THUY DUONG RESEARCH AND APPLY EVOLUTIONARY COMPUTATION TECHNIQUES ON AUTOMATIC TEXT SUMMARIZATION MASTER THESIS IN INFORMATION TECHNOLOGY HANOI - 2015 TIEU LUAN MOI download : [e-mail] VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY DO THUY DUONG RESEARCH AND APPLY EVOLUTIONARY COMPUTATION TECHNIQUES ON AUTOMATIC TEXT SUMMARIZATION Field: Information technology Major: Software Engineering Code: 60480103 MASTER THESIS IN INFORMATION TECHNOLOGY SUPERVISOR: Assoc. Nguyen Xuan Hoai HANOI - 2015 TIEU LUAN MOI download : [e-mail] 3 Declaration of authorship I, Do Thuy Duong, declare that this thesis ‘Research and apply evolutionary computation techniques on automatic text summarization’ and the work presented in it are my own. I confirm that: This work was done wholly or mainly while in candidature for a research degree at this University; Where any part of this thesis has previously been submitted for a degree or any other qualification at this University or any other institution, this has been clearly stated; Where I have consulted the published work of others, this is always clearly attributed; I have acknowledged all main sources of help; Where the thesis is based on work done by myself jointly with others, I have made clear exactly what was done by others and what I have contributed myself; Signed: …………………………………………………………………………………… Date: …………………………………………………………………………………… TIEU LUAN MOI download : [e-mail] 4 Acknowledgements I am heartily thankful to my supervisor, Prof. Nguyen Xuan Hoai, whose encouragement, guidance and support from the initial to the final level have enabled me to develop an understanding of the topic.

I would like to show my gratitude to the teachers in the University of Engineering and Technology, Vietnam National University, Hanoi for helping me to gain a large body of knowledge during my two years of studying. Lastly, I offer my regards and blessings to my friends and my family, who have always encouraged me so that I could finish this challenging research. TIEU LUAN MOI download : [e-mail] 5 Contents Declaration of authorship. 5 List of figures.

7 List of tables. Automatic text summarization. Types of text summarization. Methodologies for automatic text summarization.

27 Automatic text summarization using differential evolution algorithm. Automatic text summarization using differential evolution (DE). Document collection representation. Objective/ Fitness function.

28 TIEU LUAN MOI download : skknchat@gmail. Main steps of differential evolution. Experiment, result and discussion. Experiment, result and discussion.

47 Conclusion and future work. 48 TIEU LUAN MOI download : [e-mail] 7 List of figures Figure 2. A typical summarization system. A summarizer highlights all sentences included in an extractive summary.

An example of the abstract summary. Multi-document summarization. The general scheme of an Evolutionary Algorithm in pseudo-code 17 Figure 2. General scheme of evolutionary algorithms.

Correlation between number of generations and best fitness in population. Steps of differential evolution algorithm. Steps to get the next X1 (generation 1). Illustration of mutation operation.

Illustration of crossover operation. Changes in summary length in [DE] method on DUC2004. Changes in summary length in [DE] method on DUC2007. Summary length in [MultiDE] method on DUC2004.

Summary length in [MultiDE] method on DUC2007. Comparison between F-values of [DE] and [MultiDE] on DUC2004. Comparison between F-values of [DE] and [MultiDE] on DUC2007. 46 TIEU LUAN MOI download : [e-mail] 8 List of tables Table 2.

The basic evolutionary computation linking natural evolution to problem solving .Fitness of six individuals at generation 0. Creation of mutant vector V1. Creation of trial vector Z1. Values of X1 in generation 1.

Description of the datasets used in the experiment. Parameter settings of the first experiment. Summary lengths of some document collections in DUC2004 using [DE] method. Summary lengths of some document collections in DUC2007 using [DE] method.

F-Values of three evaluation measures of method [DE] on DUC2004 and DUC2007. Parameter settings of the second experiment. Summary lengths of some document collections in DUC2004 using [MultiDE] method. Summary lengths of some document collections in DUC2007 using [MultiDE] method.

F-Values of three evaluation measures of method [MultiDE] on DUC2004 and DUC2007. 45 TIEU LUAN MOI download : skknchat@gmail. Chapter 1 Introduction Automatic text summarization means detecting important and condensed contents in one or more documents. This is a very challenging problem, relating to many scientific areas such as artificial intelligence, statistics, linguistics, etc.

Many researches have been conducted world wide since 1950 and produced some systems such as SUMMARIST, SweSUM, MEAD, SUMMON, etc. However, this research area is still challenging and attracts more and more attention. In this thesis, we are going to study some evolutionary computation techniques, then apply the differential evolution algorithm to the practical problem: automatic text summarization, in particular, multi-document summarization. Moreover, we also attempt to deal with constraint on the summary length that has not been handled effectively in these stochastic popular-based methods.

Motivation Evolutionary computation techniques use different algorithms to evolve a population of individuals over a certain number of generations. These population are applied with operations on such as mutation, crossover and selection to reproduce new offspring, which then compete with each other and the previous generation to survive based on some evaluation function. The process ends when a stopping criteria is reached and we found the best individual – the best solution to our real-world problem. Evolutionary algorithms have been applied to solve numerous problems in various fields, one of which is automatic text summarization.

However, we have found it has a weak point in handling the summary length, not like other sentence ranking methods. Therefore, this research attempts to improve this aspect of these algorithms. TIEU LUAN MOI download : skknchat@gmail. Research Objectives The thesis is aimed to study evolutionary computation techniques, especially the differential evolution algorithm, and its application to the problem of automatic text summarization.

We find the limitation of other researchers’ ways to handle the summary length of this algorithm, then propose a new method to manage this length constraint satisfying users’ demand, but still keep the quality of the summary. Thesis overview The rest of this thesis is organized as follows. In chapter 2, we review the background knowledge of text summarization, its classification and introduce the main principles of evolutionary computation. In particular, the differential evolution algorithm is discussed.

Chapter 3 explains in details the above algorithm when applied to automatic text summarization, in our case it is on multi-document collections. Then, an experiment is performed to test the original differential evolution algorithm. Besides, we improve the result of the previous experiment, dealing with the summary length so that the document collection is compressed quickly and effectively. Chapter 4 will recapitulate the thesis, present our contributions and state some future research directions in this field.

TIEU LUAN MOI download : skknchat@gmail. Chapter 2 Background knowledge In this chapter, text summarization is reviewed before we introduce and classify evolutionary computation. Then, an evolutionary algorithm namely differential evolution is discussed in details. Automatic text summarization 2.

Definition Automatic text summarization is the generation of a shorter version of a text by a computer program but still keep the most important points of the original text. [16] The aim of automated text summarization is to take a source text, extract the most significant content from it, and present it in a condensed form and in a way sensitive to the user’s or application’s needs. A summarization system experiences some steps to generate a summary from a document or a collection of documents. First of all, the document is preprocessed, for example, handling punctuations, lower/upper case, splitting paragraph, sentences, words, etc… Then, document is represented in a certain data type such as vectors, each of which represent a sentence.

The third step, known as the key phase, is to create the summary representation from the document representation. For instance, after this stage, some of the above vectors are chosen to be included in the summary. Finally, from the summary representation, we could form the summary via summary generation stage.1 represents a typical summarization system. TIEU LUAN MOI download : skknchat@gmail.

A typical summarization system 2. Types of text summarization There are some ways to classify approaches to automatic text summarization as follows: [16] - Content:  Extract: An extract-type summary only contains units ranging from single words to whole paragraphs, which are taken verbatim from the original text.2 presents a summarization system which selects important sentences to be included in the extractive summary. TIEU LUAN MOI download : skknchat@gmail. A summarizer highlights all sentences included in an extractive summary  Abstract: An abstract-type summary is a newly generated text, covering the source text’s content as well as the source text reviews, which requires the summarizer to have prior knowledge about the source text topic.

The following Figure 2.3 captures an abstract summarizing the content of the whole paper. TIEU LUAN MOI download : skknchat@gmail. An example of the abstract summary - Audience:  Generic: A generic summary provides the author’s point of views of the source text, paying the same attention to every aspect of the text.  Query-oriented: A query-oriented (or user-oriented) summary prefers some particular aspects of the text, depending on aspects that a user desires to learn about.

- Usage:  Indicative: An indicative summary only indicates the main subject matter or domain of the input text without including its contents. After reading an indicative summary, one can explain what the input text was about, but not necessarily what was contained in it.  Informative: An informative summary covers (some of) the content, and allows one to describe (parts of) what was in the input text. - Expansiveness: TIEU LUAN MOI download : [e-mail] 15  Background: Assumes readers do not have prior knowledge about the source text topic.

 Just-the-news: Supposes reader’s prior knowledge is up-to-date. cross-lingual: Just summarizes in the same language vs. summarizes as well as translates into another language. - Single-document vs.

multi-document source: Summarizes only one source text vs. fuses together many source texts.4 demonstrates a multi-document summarizer, which summarizes five documents into only one summary. Multi-document summarization In this thesis, we intend to generate extractive summaries for multi-document collections. Summarizing a single text is challenging enough, summarizing a document collection poses even more difficulties.

We have to avoid repetitions, manage potential inconsistencies among documents, but can still cover all essential information of the original text. Methodologies for automatic text summarization Up to now, there have been many methods applied to summarize text automatically including [21]: - Traditional methods: term, word, phrase frequencies - Corpus-based approaches: combination of statistical features, learning to extract - Discourse structures: Word-net, Rhetorical analysis - Knowledge rich approaches: different for particular domains Evolutionary computation is a new approach to summarize text automatically, in which solutions are evolved until a certain benchmark is satisfied. TIEU LUAN MOI download : skknchat@gmail. Evolutionary computation In computer science, evolutionary computation is a subfield of artificial intelligence, defined by some types of evolutionary algorithms which is based on Darwinian principles.

They belong to the family of trial and error problem solvers and can be regarded as global optimization methods with meta-heuristic or stochastic optimization character, in which there exists the utilization of a population of candidate solutions [1]. Evolutionary computation uses continuous progression of the population, which is then selected in a guided random search to get the required stop. Automated problem solving that uses Darwinian principles started in the 1950s. However, three different interpretations of this idea started to be implemented in 1960s in three strands.

Evolutionary programming (EP) was invented by Lawrence J.Fogel in the US, while John Henry suggested a method named genetic algorithm (GA). Ingo Rechenberg and Hans-Paul Schwefel introduced evolution strategies (ES). Although these algorithms are proposed quite soon, they are only considered as different types of one technology known as evolutionary computation from the early nineties [1].