Слишком поздно реагировать, но мы решили поделиться.
Я боролся с Дженкинсом, развернутым на Tomcat, пытался выполнить скрипт, он помогает, но уходит, если tomcat перезагружен.
Сделано постоянное исправление, установив свойство в catalina.properties в tomcat.
Файл свойств: tomcat_installation_dir / conf / catalina.properties Просто скопируйте в конец ссылку в каталинии. Свойства в последний раз (вы можете установить это где угодно, просто чтобы не возиться с существующими свойствами)
-Dhudson.model.DirectoryBrowserSupport.CSP = ""
Я бы рекомендовал сделать свой собственный. 90% работы в GP - это кодирование генотипа, того, как с ним работают, и вычисление пригодности. Эти части меняются для каждой конкретной задачи/проекта. Сама часть эволюционного алгоритма обычно довольно проста.
Существует несколько библиотек GP ( http://en.wikipedia.org/wiki/Symbolic_Regression#Implementations ). Я бы использовал их в качестве примеров и ссылок.
C++ - хороший выбор для GP, потому что они имеют тенденцию быть очень интенсивными в вычислениях. Обычно функция пригодности является узким местом, поэтому стоит сделать хотя бы эту часть компилируемой/оптимизированной.
У меня были подобные проблемы. Я раньше имел сложную проблему, и определение решения с точки зрения вектора фиксированной длины не было желательно. Даже вектор переменной длины не выглядит привлекательным. Большинство библиотек фокусируется на случаях, где функция стоимости является дешевой для вычисления, который не соответствовал моей проблеме. Отсутствие параллелизма является их другой ловушкой. Ожидание, что пользователь выделяет память для того, чтобы использоваться библиотекой, добавляет оскорбление в травму. Мои случаи были еще более сложными, потому что большинство библиотек проверяет нелинейные условия перед оценкой. В то время как, я должен был проверить нелинейное условие во время или после оценки на основе результата оценки. Это - также нежелательный, когда я должен был оценить решение вычислить его стоимость, и затем я должен был повторно вычислить решение представить его. В большинстве случаев я должен был записать функцию стоимости два раза. Однажды для GA и однажды для презентации.
Наличие всех этих проблем, я в конечном счете, разработало мое собственное библиотека openGA , которая является теперь сформировавшейся.
GA assist
функция помогает Вам произвести кодовую базу C++ из информации, которую Вы предоставляете. , Если эти функции соответствуют тому, в чем Вы нуждаетесь, я рекомендую взглянуть на руководство пользователя и примеры openGA.
число читателей и цитата связанной публикации, а также ее меток фаворита GitHub увеличиваются, и ее использование является ростом содержания.
Я предлагаю вам взглянуть на инструментарий оптимизации Matlab - он поставляется с GA. коробки , вам нужно только кодировать функцию пригодности (и функцию для генерации начального населения в конечном итоге), и я считаю, что Matlab имеет некоторую совместимость с C ++, поэтому вы можете кодировать свои функции на C ++. Я использую его для своих экспериментов, и очень приятной особенностью является то, что вы также получаете все виды диаграмм прямо из коробки.
Так и сказано - если ваша цель - узнать о генетических алгоритмах, вам лучше их кодировать, но если вы просто хотите проводить эксперименты, Matlab и C ++ (или даже просто Matlab) - хороший вариант.