फीचर चयन - Revision history

Manidh at 05:48, 14 August 2023

2023-08-14T05:48:40Z

← Older revision		Revision as of 11:18, 14 August 2023
Line 313:		Line 313:
	* [http://home.penglab.com/proj/mRMR/index.htm Minimum-redundancy-maximum-relevance (mRMR) feature selection program]		* [http://home.penglab.com/proj/mRMR/index.htm Minimum-redundancy-maximum-relevance (mRMR) feature selection program]
	* [http://mloss.org/software/view/386/ FEAST] (Open source Feature Selection algorithms in C and MATLAB)		* [http://mloss.org/software/view/386/ FEAST] (Open source Feature Selection algorithms in C and MATLAB)
	~~[[Category: मॉडल चयन]] [[Category: आयाम में कमी]]~~

			[[Category:CS1 English-language sources (en)]]
			[[Category:CS1 errors]]
	[[Category: ~~Machine Translated Page~~]]		[[Category:CS1 français-language sources (fr)]]
	[[Category:Created On 25/07/2023]]		[[Category:Created On 25/07/2023]]
	[[Category:Vigyan Ready]]		[[Category:Lua-based templates]]
			[[Category:Machine Translated Page]]
			[[Category:Pages with script errors]]
			[[Category:Short description with empty Wikidata description]]
			[[Category:Templates Translated in Hindi]]
			[[Category:Templates Vigyan Ready]]
			[[Category:Templates that add a tracking category]]
			[[Category:Templates that generate short descriptions]]
			[[Category:Templates using TemplateData]]
			[[Category:Webarchive template wayback links]]
			[[Category:आयाम में कमी]]
			[[Category:मॉडल चयन]]

Indicwiki: 17 revisions imported from :alpha:फीचर_चयन

2023-08-08T02:26:58Z

17 revisions imported from alpha:फीचर_चयन

← Older revision	Revision as of 07:56, 8 August 2023
(No difference)

alpha>Neeraja: added Category:Vigyan Ready using HotCat

2023-08-07T10:48:44Z

added Category:Vigyan Ready using HotCat

← Older revision		Revision as of 16:18, 7 August 2023
Line 319:		Line 319:
	[[Category: Machine Translated Page]]		[[Category: Machine Translated Page]]
	[[Category:Created On 25/07/2023]]		[[Category:Created On 25/07/2023]]
			[[Category:Vigyan Ready]]

alpha>Prashank Ranjan at 11:29, 6 August 2023

2023-08-06T11:29:31Z

Show changes

alpha>Prashank Ranjan at 10:33, 5 August 2023

2023-08-05T10:33:54Z

Show changes

alpha>Prashank Ranjan at 09:29, 5 August 2023

2023-08-05T09:29:21Z

Show changes

alpha>Prashank Ranjan at 08:59, 5 August 2023

2023-08-05T08:59:25Z

Show changes

alpha>Prashank Ranjan at 09:05, 4 August 2023

2023-08-04T09:05:23Z

← Older revision		Revision as of 14:35, 4 August 2023
Line 135:		Line 135:
	==हिल्बर्ट-श्मिट स्वतंत्रता मानदंड लैस्सो आधारित सुविधा चयन==		==हिल्बर्ट-श्मिट स्वतंत्रता मानदंड लैस्सो आधारित सुविधा चयन==

	उच्च-आयामी और लघु प्रतिरूप डेटा के लिए (उदाहरण के लिए, आयामीता > {{10^\|5}} और प्रतिरूपों की संख्या < {{10^\|3}}) हैं, हिल्बर्ट-श्मिट इंडिपेंडेंस क्राइटेरियन लासो (एचएसआईसी लासो) उपयोगी है। <ref name="HSICLasso">{{cite journal \|first1=M. \|last1=Yamada \|first2=W. \|last2=Jitkrittum \|first3=L. \|last3=Sigal \|first4=E. P. \|last4=Xing \|first5=M. \|last5=Sugiyama \|title=फ़ीचर-वार नॉन-लीनियर लैस्सो द्वारा उच्च-आयामी फ़ीचर चयन\|journal=Neural Computation \|volume=26 \|issue=1 \|pages=185–207 \|year=2014 \|doi=10.1162/NECO_a_00537 \|pmid=24102126 \|arxiv=1202.0515 \|s2cid=2742785 }}</ref> एचएसआईसी लासो अनुकूलन समस्या इस प्रकार दी गई है		उच्च-आयामी और लघु प्रतिरूप डेटा के लिए (उदाहरण के लिए, आयामीता > {{10^\|5 }} और प्रतिरूपों की संख्या < {{10^\|3}}) हैं, हिल्बर्ट-श्मिट इंडिपेंडेंस क्राइटेरियन लासो (एचएसआईसी लासो) उपयोगी है। <ref name="HSICLasso">{{cite journal \|first1=M. \|last1=Yamada \|first2=W. \|last2=Jitkrittum \|first3=L. \|last3=Sigal \|first4=E. P. \|last4=Xing \|first5=M. \|last5=Sugiyama \|title=फ़ीचर-वार नॉन-लीनियर लैस्सो द्वारा उच्च-आयामी फ़ीचर चयन\|journal=Neural Computation \|volume=26 \|issue=1 \|pages=185–207 \|year=2014 \|doi=10.1162/NECO_a_00537 \|pmid=24102126 \|arxiv=1202.0515 \|s2cid=2742785 }}</ref> एचएसआईसी लासो अनुकूलन समस्या इस प्रकार दी गई है

	:<math>		:<math>
Line 144:		Line 144:
	[[ट्रेस (रैखिक बीजगणित)]] <math>\lambda</math> को दर्शाता है, नियमितीकरण <math>\bar{\mathbf{K}}^{(k)} = \mathbf{\Gamma} \mathbf{K}^{(k)} \mathbf{\Gamma}</math> पैरामीटर है, और <math>\bar{\mathbf{L}} = \mathbf{\Gamma} \mathbf{L} \mathbf{\Gamma}</math> इनपुट और आउटपुट केंद्रित [[ग्राम मैट्रिक्स\|ग्राम आव्युह]] हैं, यह		[[ट्रेस (रैखिक बीजगणित)]] <math>\lambda</math> को दर्शाता है, नियमितीकरण <math>\bar{\mathbf{K}}^{(k)} = \mathbf{\Gamma} \mathbf{K}^{(k)} \mathbf{\Gamma}</math> पैरामीटर है, और <math>\bar{\mathbf{L}} = \mathbf{\Gamma} \mathbf{L} \mathbf{\Gamma}</math> इनपुट और आउटपुट केंद्रित [[ग्राम मैट्रिक्स\|ग्राम आव्युह]] हैं, यह

	<math>K^{(k)}_{i,j} = K(u_{k,i},u_{k,j})</math> और <math>L_{i,j} = L(c_i,c_j)</math> ग्राम आव्युह होता हैं, यह <math>K(u,u')</math> और <math>L(c,c')</math> कर्नेल फलन हैं,और <math>\mathbf{\Gamma} = \mathbf{I}_m - \frac{1}{m}\mathbf{1}_m \mathbf{1}_m^T</math> केन्द्रित आव्युह <math>\mathbf{I}_m</math> होता है, यह {{mvar\|m}}-आयामी पहचान आव्युह ({{mvar\|m}}: प्रतिरूपों की संख्या), <math>\mathbf{1}_m</math> है और {{mvar\|m}}-सभी के साथ आयामी सदिश, और <math>\\|\cdot\\|_{1}</math> <math>\ell_1</math>-मानदंड है। एचएसआईसी सदैव गैर-ऋणात्मक मान लेता है, और यदि शून्य है और केवल तभी जब दो यादृच्छिक वेरिएबल सांख्यिकीय रूप से स्वतंत्र होते हैं जब गाऊसी कर्नेल जैसे सार्वभौमिक पुनरुत्पादन कर्नेल का उपयोग किया जाता है।		<math>K^{(k)}_{i,j} = K(u_{k,i},u_{k,j})</math> और <math>L_{i,j} = L(c_i,c_j)</math> ग्राम आव्युह होता हैं, यह <math>K(u,u')</math> और <math>L(c,c')</math> कर्नेल फलन हैं,और <math>\mathbf{\Gamma} = \mathbf{I}_m - \frac{1}{m}\mathbf{1}_m \mathbf{1}_m^T</math> केन्द्रित आव्युह <math>\mathbf{I}_m </math> होता है, यह {{mvar\|m }}-आयामी पहचान आव्युह ({{mvar\|m }}: प्रतिरूपों की संख्या), <math>\mathbf{1}_m </math> है और {{mvar\|m }}-सभी के साथ आयामी सदिश, और <math>\\|\cdot\\|_{1}</math> <math>\ell_1</math>-मानदंड है। एचएसआईसी सदैव गैर-ऋणात्मक मान लेता है, और यदि शून्य है और केवल तभी जब दो यादृच्छिक वेरिएबल सांख्यिकीय रूप से स्वतंत्र होते हैं जब गाऊसी कर्नेल जैसे सार्वभौमिक पुनरुत्पादन कर्नेल का उपयोग किया जाता है।

	एचएसआईसी लैस्सो को इस प्रकार लिखा जा सकता है		एचएसआईसी लैस्सो को इस प्रकार लिखा जा सकता है

alpha>Prashank Ranjan at 09:00, 4 August 2023

2023-08-04T09:00:27Z

← Older revision		Revision as of 14:30, 4 August 2023
Line 164:		Line 164:
	+ r_{f_k f_{k-1} })}}\right].</math>		+ r_{f_k f_{k-1} })}}\right].</math>

	<math>r_{cf_{i}}</math~~> एच~~> और <math>r_{f_{i}f_{j}}</math> वेरिएबल को सहसंबंध के रूप में संदर्भित किया जाता है, किन्तु ~~जरूरी~~ नहीं कि ~~लघु पियर्सन उत्पाद-क्षण सहसंबंध गुणांक हों\|~~पियर्सन का सहसंबंध गुणांक या स्पीयरमैन ~~का रैंक सहसंबंध गुणांक हैं\|स्पीयरमैन का~~ ρ हॉल का शोध प्रबंध इनमें से किसी का भी उपयोग नहीं करता है, किंतु संबंधितता के तीन भिन्न-भिन्न मापों में हैं, न्यूनतम विवरण लंबाई (एमडीएल), यह ~~पारस्परिक सूचना या सामान्यीकृत वेरिएंट और~~ रिलीफ (सुविधा चयन) का उपयोग करता है।		<math>r_{cf_{i}}</math>और <math>r_{f_{i}f_{j}}</math> वेरिएबल को सहसंबंध के रूप में संदर्भित किया जाता है, किन्तु आवश्यक नहीं कि यह पियर्सन सहसंबंध गुणांक या स्पीयरमैन के ρ होते हैं। हॉल का शोध प्रबंध इनमें से किसी का भी उपयोग नहीं करता है,किंतु संबंधितता के तीन भिन्न-भिन्न मापों में हैं, उपायों, न्यूनतम विवरण लंबाई (एमडीएल), सममित अनिश्चितता का उपयोग करता है और यह रिलीफ (सुविधा चयन) का भी उपयोग करता है।

	चलो ''x<sub>i</sub>'' फीचर ''f<sub>i</sub>'' के लिए समुच्चय सदस्यता संकेतक फलन होता हैं तब उपरोक्त को अनुकूलन समस्या के रूप में फिर से लिखा जा सकता है:		चलो ''x<sub>i</sub>'' फीचर ''f<sub>i</sub>'' के लिए समुच्चय सदस्यता संकेतक फलन होता हैं तब उपरोक्त को अनुकूलन समस्या के रूप में फिर से लिखा जा सकता है

	:<math>\mathrm{CFS} = \max_{x\in \{0,1\}^{n}}		:<math>\mathrm{CFS} = \max_{x\in \{0,1\}^{n}}

alpha>Prashank Ranjan at 08:51, 4 August 2023

2023-08-04T08:51:59Z

← Older revision		Revision as of 14:21, 4 August 2023
Line 55:		Line 55:
	* सहसंबंध-आधारित सुविधा चयन		* सहसंबंध-आधारित सुविधा चयन

	==~~अधिकतमता~~ मानदंड==		==अधिकतम मानदंड==
	~~अधिकतमता~~ मानदंड का चुनाव कठिन होता है क्योंकि सुविधा चयन कार्य में अनेक उद्देश्य होते हैं। अनेक सामान्य मानदंडों में स्पष्टता की माप सम्मिलित होता है, जिसे चयनित सुविधाओं की संख्या द्वारा दंडित किया जाता है। उदाहरणों में अकाइक सूचना मानदंड (एआईसी) और मैलोज़ C<sub>p</sub> सम्मिलित हैं \| जिनमें प्रत्येक अतिरिक्त सुविधा के लिए 2 का दंड है। यह एआईसी [[सूचना सिद्धांत]] पर आधारित है, और प्रभावी रूप से [[अधिकतम एन्ट्रापी सिद्धांत]] के माध्यम से प्राप्त होता है। <ref>{{Citation \| first=H. \|last=Akaike \|author-link=Hirotugu Akaike \| contribution = Prediction and entropy \| pages=1–24 \| title= A Celebration of Statistics \| editor1-first= A. C. \| editor1-last= Atkinson \| editor2-first= S. E. \| editor2-last= Fienberg \| editor2-link= Stephen Fienberg \| year = 1985 \| publisher= Springer\|url=https://apps.dtic.mil/dtic/tr/fulltext/u2/a120956.pdf\|archive-url=https://web.archive.org/web/20190830132141/https://apps.dtic.mil/dtic/tr/fulltext/u2/a120956.pdf\|url-status=live\|archive-date=August 30, 2019}}.</ref><ref>{{Citation \|last1=Burnham \|first1=K. P. \|last2=Anderson \|first2=D. R. \|year=2002 \|title=Model Selection and Multimodel Inference: A practical information-theoretic approach \|edition=2nd \|publisher= [[Springer-Verlag]] \|url=https://books.google.com/books?id=fT1Iu-h6E-oC\|isbn=9780387953649 }}.</ref>		अधिकतमत मानदंड का चुनाव कठिन होता है क्योंकि सुविधा चयन कार्य में अनेक उद्देश्य होते हैं। अनेक सामान्य मानदंडों में स्पष्टता की माप सम्मिलित होता है, जिसे चयनित सुविधाओं की संख्या द्वारा दंडित किया जाता है। उदाहरणों में अकाइक सूचना मानदंड (एआईसी) और मैलोज़ C<sub>p</sub> सम्मिलित हैं \| जिनमें प्रत्येक अतिरिक्त सुविधा के लिए 2 का दंड है। यह एआईसी [[सूचना सिद्धांत]] पर आधारित है, और प्रभावी रूप से [[अधिकतम एन्ट्रापी सिद्धांत]] के माध्यम से प्राप्त होता है। <ref>{{Citation \| first=H. \|last=Akaike \|author-link=Hirotugu Akaike \| contribution = Prediction and entropy \| pages=1–24 \| title= A Celebration of Statistics \| editor1-first= A. C. \| editor1-last= Atkinson \| editor2-first= S. E. \| editor2-last= Fienberg \| editor2-link= Stephen Fienberg \| year = 1985 \| publisher= Springer\|url=https://apps.dtic.mil/dtic/tr/fulltext/u2/a120956.pdf\|archive-url=https://web.archive.org/web/20190830132141/https://apps.dtic.mil/dtic/tr/fulltext/u2/a120956.pdf\|url-status=live\|archive-date=August 30, 2019}}.</ref><ref>{{Citation \|last1=Burnham \|first1=K. P. \|last2=Anderson \|first2=D. R. \|year=2002 \|title=Model Selection and Multimodel Inference: A practical information-theoretic approach \|edition=2nd \|publisher= [[Springer-Verlag]] \|url=https://books.google.com/books?id=fT1Iu-h6E-oC\|isbn=9780387953649 }}.</ref>

	अन्य मानदंड [[बायेसियन सूचना मानदंड]] (बीआईसी) हैं, जो प्रत्येक जोड़े गए फीचर के लिए <math>\sqrt{\log{n}}</math> के दंड का उपयोग करता है, [[न्यूनतम विवरण लंबाई]] (एमडीएल) जो असम्बद्ध रूप से <math>\sqrt{\log{n}}</math> का उपयोग करता है, [[बोनफेरोनी सुधार]] / आरआईसी जो <math>\sqrt{2\log{p}}</math> का उपयोग करता है, अधिकतम निर्भरता सुविधा चयन, और विभिन्न प्रकार के नए मानदंड जो [[झूठी खोज दर\|फाल्स डिस्कवर रेट]] (एफडीआर) से प्रेरित हैं, जो <math>\sqrt{2\log{\frac{p}{q}}}</math> के समीप कुछ का उपयोग करते हैं। सुविधाओं के सबसे प्रासंगिक उपसमूह का चयन करने के लिए अधिकतम [[एन्ट्रापी दर]] मानदंड का भी उपयोग किया जा सकता है। <ref>{{cite journal \|last1=Einicke \|first1=G. A. \|title=दौड़ने के दौरान घुटने और टखने की गतिशीलता में परिवर्तन को वर्गीकृत करने के लिए सुविधाओं का अधिकतम-एंट्रॉपी दर चयन\|journal=IEEE Journal of Biomedical and Health Informatics \|volume=28 \|issue=4 \|pages=1097–1103 \|year=2018 \|doi= 10.1109/JBHI.2017.2711487 \|pmid=29969403 \|s2cid=49555941 }}</ref>		अन्य मानदंड [[बायेसियन सूचना मानदंड]] (बीआईसी) हैं, जो प्रत्येक जोड़े गए फीचर के लिए <math>\sqrt{\log{n}}</math> के दंड का उपयोग करता है, [[न्यूनतम विवरण लंबाई]] (एमडीएल) जो असम्बद्ध रूप से <math>\sqrt{\log{n}}</math> का उपयोग करता है, [[बोनफेरोनी सुधार]] / आरआईसी जो <math>\sqrt{2\log{p}}</math> का उपयोग करता है, अधिकतम निर्भरता सुविधा चयन, और विभिन्न प्रकार के नए मानदंड जो [[झूठी खोज दर\|फाल्स डिस्कवर रेट]] (एफडीआर) से प्रेरित हैं, जो <math>\sqrt{2\log{\frac{p}{q}}}</math> के समीप कुछ का उपयोग करते हैं। सुविधाओं के सबसे प्रासंगिक उपसमूह का चयन करने के लिए अधिकतम [[एन्ट्रापी दर]] मानदंड का भी उपयोग किया जा सकता है। <ref>{{cite journal \|last1=Einicke \|first1=G. A. \|title=दौड़ने के दौरान घुटने और टखने की गतिशीलता में परिवर्तन को वर्गीकृत करने के लिए सुविधाओं का अधिकतम-एंट्रॉपी दर चयन\|journal=IEEE Journal of Biomedical and Health Informatics \|volume=28 \|issue=4 \|pages=1097–1103 \|year=2018 \|doi= 10.1109/JBHI.2017.2711487 \|pmid=29969403 \|s2cid=49555941 }}</ref>
Line 174:		Line 174:


	==~~नियमित~~ ट्री==		==डिसिजन ट्री==
	[[ निर्णय वृक्ष \| डिसिजन ट्री]] या ट्री [[सामूहिक शिक्षा]] की विशेषताओं को निरर्थक दिखाया गया है। वर्तमान विधि जिसे नियमितीकृत ट्री कहा जाता है <ref name="DengRunger2012">H. Deng, G. Runger, "[https://arxiv.org/abs/1201.1587 Feature Selection via Regularized Trees]", Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, 2012</ref> फीचर उपसमुच्चय चयन के लिए उपयोग किया जा सकता है। नियमितीकृत ट्री वर्तमान नोड को विभाजित करने के लिए पूर्व ट्री नोड्स पर चयनित वेरिएबल के समान वेरिएबल का उपयोग करके दंडित करते हैं। नियमितीकृत ट्री को केवल ट्री मॉडल (या ट्री संयोजन मॉडल) बनाने की आवश्यकता होती है और इस प्रकार वह कम्प्यूटेशनल रूप से कुशल होते हैं।		[[ निर्णय वृक्ष \| डिसिजन ट्री]] या ट्री [[सामूहिक शिक्षा]] की विशेषताओं को निरर्थक दिखाया गया है। वर्तमान विधि जिसे नियमितीकृत ट्री कहा जाता है <ref name="DengRunger2012">H. Deng, G. Runger, "[https://arxiv.org/abs/1201.1587 Feature Selection via Regularized Trees]", Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, 2012</ref> फीचर उपसमुच्चय चयन के लिए उपयोग किया जा सकता है। नियमितीकृत ट्री वर्तमान नोड को विभाजित करने के लिए पूर्व ट्री नोड्स पर चयनित वेरिएबल के समान वेरिएबल का उपयोग करके दंडित करते हैं। नियमितीकृत ट्री को केवल ट्री मॉडल (या ट्री संयोजन मॉडल) बनाने की आवश्यकता होती है और इस प्रकार वह कम्प्यूटेशनल रूप से कुशल होते हैं।

	नियमितीकृत ट्री स्वाभाविक रूप से संख्यात्मक और श्रेणीगत विशेषताओं, अंतःक्रियाओं और गैर-रैखिकताओं को संभालते हैं। वह विशेषता मापदंडो (इकाइयों) के लिए अपरिवर्तनीय हैं और यह आउटलेर्स के प्रति असंवेदनशील हैं, और इस प्रकार, [[सामान्यीकरण (सांख्यिकी)]] जैसे कम [[डेटा प्रीप्रोसेसिंग]] की आवश्यकता होती है। नियमित यादृच्छिक फॉरेस्ट (आरआरएफ)<ref name="RRF">[https://cran.r-project.org/web/packages/RRF/index.html RRF: Regularized Random Forest], [[R (programming language)\|R]] package on [[CRAN (R programming language)\|CRAN]]</ref> प्रकार का ~~नियमित~~ ट्री है। निर्देशित आरआरएफ उन्नत आरआरएफ होता है जो सामान्य यादृच्छिक फॉरेस्ट से महत्व स्कोर द्वारा निर्देशित होता है।		नियमितीकृत ट्री स्वाभाविक रूप से संख्यात्मक और श्रेणीगत विशेषताओं, अंतःक्रियाओं और गैर-रैखिकताओं को संभालते हैं। वह विशेषता मापदंडो (इकाइयों) के लिए अपरिवर्तनीय हैं और यह आउटलेर्स के प्रति असंवेदनशील हैं, और इस प्रकार, [[सामान्यीकरण (सांख्यिकी)]] जैसे कम [[डेटा प्रीप्रोसेसिंग]] की आवश्यकता होती है। नियमित यादृच्छिक फॉरेस्ट (आरआरएफ)<ref name="RRF">[https://cran.r-project.org/web/packages/RRF/index.html RRF: Regularized Random Forest], [[R (programming language)\|R]] package on [[CRAN (R programming language)\|CRAN]]</ref> प्रकार का डिसिजन ट्री है। निर्देशित आरआरएफ उन्नत आरआरएफ होता है जो सामान्य यादृच्छिक फॉरेस्ट से महत्व स्कोर द्वारा निर्देशित होता है।

	==मेटाहेयुरिस्टिक्स विधियों पर अवलोकन==		==मेटाहेयुरिस्टिक्स विधियों पर अवलोकन==
Line 283:		Line 283:

	* {{tmath\|l_1}}-नियमितीकरण तकनीकें, जैसे विरल प्रतिगमन, लैस्सो, और {{tmath\|l_1}}-एसवीएम		* {{tmath\|l_1}}-नियमितीकरण तकनीकें, जैसे विरल प्रतिगमन, लैस्सो, और {{tmath\|l_1}}-एसवीएम
	~~नियमित~~ ट्री,<ref name="DengRunger2012" /> जैसे आरआरएफ पैकेज में नियमित यादृच्छिक फॉरेस्ट प्रयुक्त किया गया <ref name="RRF" />		डिसिजन ट्री,<ref name="DengRunger2012" /> जैसे आरआरएफ पैकेज में नियमित यादृच्छिक फॉरेस्ट प्रयुक्त किया गया <ref name="RRF" />
	*[[निर्णय वृक्ष सीखना\|डिसिजन ट्री]] <ref>R. Kohavi and G. John, "[https://ai.stanford.edu/~ronnyk/wrappersPrint.pdf Wrappers for feature subset selection]", ''[[Artificial Intelligence (journal)\|Artificial intelligence]]'' 97.1-2 (1997): 273-324</ref>		*[[निर्णय वृक्ष सीखना\|डिसिजन ट्री]] <ref>R. Kohavi and G. John, "[https://ai.stanford.edu/~ronnyk/wrappersPrint.pdf Wrappers for feature subset selection]", ''[[Artificial Intelligence (journal)\|Artificial intelligence]]'' 97.1-2 (1997): 273-324</ref>
	* [[मेमेटिक एल्गोरिदम]]		* [[मेमेटिक एल्गोरिदम]]