Una panoramica degli algoritmi di zoning nel riconoscimento dei caratteri manoscritti

Un "Moea" è un metodo di ricerca basato sulla teoria evolutiva di Darwin applicata ad una popolazione di possibili soluzioni. In questo paragrafo mi soffermerò su "MOEAs" basati su algoritmi genetici. In questi algoritmi, una popolazione di soluzioni candidate passa attraverso alcuni operazioni genetiche come ad esempio: selezione, cross-over (anche conosciuta come accoppiamento) e mutazione, le quali creano una popolazione prole sperando che sia migliore rispetto alla popolazione genitore. Quando si lavora con GAS, c'e'una funzione idonea a valutare la qualità di una soluzione data, la quale, valuta l'efficienza di una soluzione rispetto agli obiettivi da ottimizzare. Ciò rappresenta un problema sui maggiori problemi del mondo reale in cui esse non hanno un solo obiettivo da ottimizzare quindi e' necessario comporre tali obiettivi in una sola funzione, generalmente utilizzando un vettore di peso,per permettere all' algoritmo di associare i valori adatti alle soluzioni. Nonostante questa tecnica sia funzionale, c'è una questione a riguardo: gli obiettivi potrebbero essere in conflitto e la conoscenza del dominio dovrebbe essere obbligatoria in modo da risolverli e da renderli direttamente comparabili . Ciò ha portato a indagare sulle MOEAs basandosi sui GAs per risolvere i problemi di ottimizzazione multi-obiettivo. In tal caso, invece di assegnare un criterio idoneo agli individui, essi vengono valutati attraverso la non dominanza e la distribuzione spaziale, e il risultato non è la soluzione migliore, ma una serie di soluzioni non dominate ,uniformemente distanziate, che rappresentano la migliore soluzione per i numerosi obiettivi che sono stati ottimizzati. Su uno spazio bidimensionale di ricerca (due obiettivi), questa serie e' definita Pareto-front. Deb ha scritto un esaustivo libro sull'argomento, che presenta molti algoritmi e le tecniche per valutare le loro prestazioni.
Per quanto riguarda questa indagine, e' stato scelto il Controlled Elitest NGSA, basato su precedenti esperimenti con molti algoritmi applicato ad un'insieme di problemi standard. Basato sui ben noti NGSA e NGSA II,il Controlled Elitest II rappresenta maggiori diversità sulla popolazione rispetto agli altri algoritmi, dato che permette all'algoritmo di esplorare meglio lo spazio di ricerca riguardo alcuni difficili problemi.
L'idea alla base di questo algoritmo è stata ereditata dall'algoritmo NSGA II. Una popolazione genitore passa attraverso un cross-over e una popolazione prole viene creata,con lo stesso numero di individui. Queste due popolazioni sono fuse e ordinate, prima da criteri di non dominanza e poi ogni livello non-dominato è ordinato dalla distanza di affollamento. Questa seconda misura indica la qualità di ogni singolo individuo in relazione alla distribuzione spaziale sul fronte non-dominato. L'obiettivo di MOEAs e' quello di trovare soluzioni più vicino possibile alla vera serie non-dominata e fargli coprire l'intero spazio di questa serie. Poiché di solito lavoriamo con le popolazioni finite, possiamo coprire solo una porzione di questo spazio, le soluzioni devono essere uniformemente distribuite per raggiungere questo obiettivo.