Εισαγωγή στους γενετικούς αλγόριθμους στη μηχανική μάθηση

introduction genetic algorithms machine learning

υλοποίηση ουράς προτεραιότητας στο java

Αυτός ο οδηγός γενετικού αλγορίθμου εξηγεί ποιοι είναι οι γενετικοί αλγόριθμοι και ο ρόλος τους στη μηχανική εκμάθηση λεπτομερώς :

Στο Προηγούμενο σεμινάριο , μάθαμε για τα Τεχνητά Νευρωνικά Δίκτυα Μοντέλα - Multilayer Perceptron, Backpropagation, Radial Bias & Kohonen Self Organising Maps συμπεριλαμβανομένης της αρχιτεκτονικής τους.

Θα επικεντρωθούμε στους Γενετικούς Αλγόριθμους που ήρθαν πριν από τα Νευρωνικά Δίκτυα, αλλά τώρα το GA έχει αναληφθεί από την NN. Αν και, η GA εξακολουθεί να έχει εφαρμογές στην πραγματική ζωή, όπως προβλήματα βελτιστοποίησης, όπως προγραμματισμός, παιχνίδια, ρομποτική, σχεδιασμός υλικού, προβλήματα πωλητών ταξιδιού κ.λπ.

Οι Γενετικοί Αλγόριθμοι είναι αλγόριθμοι που βασίζονται στην εξελικτική ιδέα της φυσικής επιλογής και της γενετικής. Τα GA είναι προσαρμοστικοί ευρετικοί αλγόριθμοι αναζήτησης, δηλαδή οι αλγόριθμοι ακολουθούν ένα επαναληπτικό μοτίβο που αλλάζει με το χρόνο. Είναι ένας τύπος εκμάθησης ενίσχυσης όπου η ανατροφοδότηση είναι απαραίτητη χωρίς να λέει τη σωστή πορεία που πρέπει να ακολουθήσετε. Η ανατροφοδότηση μπορεί να είναι θετική ή αρνητική.

=> Διαβάστε ολόκληρη τη σειρά εκπαίδευσης μηχανικής εκμάθησης

Τι θα μάθετε:

• Γιατί να χρησιμοποιήσετε γενετικούς αλγόριθμους
  • Βιολογικό υπόβαθρο γενετικών αλγορίθμων
• Τι είναι οι γενετικοί αλγόριθμοι
  • Συσχέτιση ενός χρωμοσώματος με GA
  • Σημαντική ορολογία στο GA
  • Ένας απλός γενετικός αλγόριθμος
  • Μέθοδος επιλογής τροχών ρουλέτας
  • Άλλες μέθοδοι επιλογής
  • Crossover
  • Μετάλλαξη
  • Πότε να σταματήσετε τον γενετικό αλγόριθμο
• Πλεονεκτήματα και μειονεκτήματα του γενετικού αλγορίθμου
• Εφαρμογές γενετικών αλγορίθμων
• συμπέρασμα
  • Συνιστώμενη ανάγνωση

Γιατί να χρησιμοποιήσετε γενετικούς αλγόριθμους

Οι GA είναι πιο ισχυροί αλγόριθμοι που μπορούν να χρησιμοποιηθούν για διάφορα προβλήματα βελτιστοποίησης. Αυτοί οι αλγόριθμοι δεν αποκλίνουν εύκολα παρουσία θορύβου, σε αντίθεση με άλλους αλγόριθμους AI. Τα GA μπορούν να χρησιμοποιηθούν στην αναζήτηση μεγάλου ή πολυτροπικού χώρου.

Βιολογικό υπόβαθρο γενετικών αλγορίθμων

Η γενετική προέρχεται από την ελληνική λέξη «γένεση» που σημαίνει να μεγαλώνεις. Η γενετική αποφασίζει τους παράγοντες κληρονομικότητας, τις ομοιότητες και τις διαφορές μεταξύ των απογόνων στη διαδικασία της εξέλιξης. Οι γενετικοί αλγόριθμοι προέρχονται επίσης από τη φυσική εξέλιξη.

Ορισμένες ορολογίες σε ένα βιολογικό χρωμόσωμα

• Χρωμοσώματα: Όλες οι γενετικές πληροφορίες ενός είδους αποθηκεύονται χρωμοσώματα.
• Γονίδια: Τα χρωμοσώματα χωρίζονται σε διάφορα μέρη που ονομάζονται γονίδια.
• Αλληλόμορφα: Τα γονίδια προσδιορίζουν το χαρακτηριστικό ενός ατόμου. Η πιθανότητα συνδυασμού γονιδίων για σχηματισμό ιδιοτήτων ονομάζεται αλληλόμορφο. Ένα γονίδιο μπορεί να έχει διαφορετικά αλληλόμορφα.
• Γενετική δεξαμενή: Όλοι οι πιθανοί συνδυασμοί γονιδίων που είναι όλα τα αλληλόμορφα σε μια ομάδα πληθυσμού ονομάζεται ομάδα γονιδίων.
• Γονιδίωμα: Το σύνολο των γονιδίων ενός είδους ονομάζεται γονιδίωμα.
• Τόπος: Κάθε γονίδιο έχει μια θέση σε ένα γονιδίωμα που ονομάζεται τόπος.
• Γονότυπος: Ένας πλήρης συνδυασμός γονιδίων σε ένα άτομο ονομάζεται γονότυπος.
• Φαινότυπος: Ένα σύνολο γονότυπων σε αποκωδικοποιημένη μορφή ονομάζεται φαινότυπος.

Τι είναι οι γενετικοί αλγόριθμοι

Οι Γενετικοί Αλγόριθμοι διεγείρουν τη διαδικασία όπως στα φυσικά συστήματα για την εξέλιξη. Ο Charles Darwin δήλωσε τη θεωρία της εξέλιξης ότι στη φυσική εξέλιξη, τα βιολογικά όντα εξελίσσονται σύμφωνα με την αρχή της «επιβίωσης του πιο κατάλληλου». Η αναζήτηση GA έχει σχεδιαστεί για να ενθαρρύνει τη θεωρία της «επιβίωσης του καταλληλότερου».

Οι GA εκτελούν μια τυχαία αναζήτηση για την επίλυση προβλημάτων βελτιστοποίησης. Το GA χρησιμοποιεί τεχνικές που χρησιμοποιούν τις προηγούμενες πληροφορίες ιστορικού για να κατευθύνουν την αναζήτησή τους προς βελτιστοποίηση στο νέο χώρο αναζήτησης.

Συσχέτιση ενός χρωμοσώματος με GA

Το ανθρώπινο σώμα έχει χρωμοσώματα που είναι κατασκευασμένα από γονίδια. Ένα σύνολο όλων των γονιδίων ενός συγκεκριμένου είδους ονομάζεται γονιδίωμα. Στα ζωντανά όντα, τα γονιδιώματα αποθηκεύονται σε διάφορα χρωμοσώματα ενώ στο GA όλα τα γονίδια αποθηκεύονται στο ίδιο χρωμόσωμα.

Σύγκριση μεταξύ Φυσικής Εξέλιξης και Ορολογίας Γενετικού Αλγόριθμου

Σημαντική ορολογία στο GA

• Πληθυσμός: Είναι μια ομάδα ατόμων. Ο πληθυσμός περιλαμβάνει τον αριθμό των ατόμων που δοκιμάζονται, πληροφορίες για το χώρο αναζήτησης και τις παραμέτρους φαινοτύπου. Γενικά, ο πληθυσμός αρχικοποιείται τυχαία.
• Τα άτομα: Τα άτομα είναι μια μοναδική λύση στον πληθυσμό. Ένα άτομο έχει ένα σύνολο παραμέτρων που ονομάζονται γονίδια. Τα γονίδια συνδυάζονται για να σχηματίσουν χρωμοσώματα.
• Γονίδια: Τα γονίδια είναι δομικά στοιχεία γενετικών αλγορίθμων. Ένα χρωμόσωμα αποτελείται από γονίδια. Τα γονίδια μπορεί να καθορίσουν τη λύση του προβλήματος. Αντιπροσωπεύονται από μια συμβολοσειρά bit (0 ή 1) τυχαίου μήκους.
• Καταλληλότητα: Η φυσική κατάσταση λέει την αξία του φαινοτύπου του προβλήματος. Η λειτουργία φυσικής κατάστασης δείχνει πόσο κοντά είναι η λύση στη βέλτιστη λύση. Η λειτουργία φυσικής κατάστασης καθορίζεται με πολλούς τρόπους, όπως το άθροισμα όλων των παραμέτρων που σχετίζονται με το πρόβλημα - Ευκλείδεια απόσταση κ.λπ. Δεν υπάρχει κανόνας για την αξιολόγηση της λειτουργίας φυσικής κατάστασης.

Ένας απλός γενετικός αλγόριθμος

Ένα απλό GA έχει έναν πληθυσμό μεμονωμένων χρωμοσωμάτων. Αυτά τα χρωμοσώματα αντιπροσωπεύουν πιθανές λύσεις. Οι τελεστές αναπαραγωγής εφαρμόζονται σε αυτά τα σύνολα χρωμοσωμάτων για να πραγματοποιήσουν μεταλλάξεις και ανασυνδυασμό. Επομένως, είναι σημαντικό να βρείτε κατάλληλους τελεστές αναπαραγωγής, καθώς η συμπεριφορά της GA εξαρτάται από αυτήν.

Ένας απλός γενετικός αλγόριθμος έχει ως εξής:

# 1) Ξεκινήστε με τον πληθυσμό που δημιουργήθηκε τυχαία.

#δύο) Υπολογίστε τη λειτουργία φυσικής κατάστασης κάθε χρωμοσώματος.

# 3) Επαναλάβετε τα βήματα έως ότου δημιουργηθούν n απόγονοι. Οι απόγονοι δημιουργούνται όπως φαίνεται παρακάτω.

• Επιλέξτε ένα ζευγάρι χρωμοσωμάτων από τον πληθυσμό.
• Crossover το ζεύγος με πιθανότητα σελ_ντογια να σχηματίσουν απογόνους.
• Μετατρέψτε το crossover με πιθανότητα p_Μ.

# 4) Αντικαταστήστε τον αρχικό πληθυσμό με τον νέο πληθυσμό και προχωρήστε στο βήμα 2.

Ας δούμε τα βήματα που ακολουθούνται σε αυτήν τη διαδικασία επανάληψης. Δημιουργείται ο αρχικός πληθυσμός των χρωμοσωμάτων. Ο αρχικός πληθυσμός πρέπει να περιέχει αρκετά γονίδια, ώστε να μπορεί να δημιουργηθεί οποιαδήποτε λύση. Η πρώτη ομάδα πληθυσμού δημιουργείται τυχαία.

• Επιλογή: Το καλύτερο σύνολο γονιδίων επιλέγεται ανάλογα με τη λειτουργία φυσικής κατάστασης. Έχει επιλεγεί η συμβολοσειρά με την καλύτερη λειτουργία φυσικής κατάστασης.
• Αναπαραγωγή: Νέοι απόγονοι δημιουργούνται με ανασυνδυασμό και μετάλλαξη.
• Εκτίμηση: Τα νέα χρωμοσώματα που δημιουργούνται αξιολογούνται για την καταλληλότητά τους.
• Αντικατάσταση: Σε αυτό το βήμα, ο παλαιός πληθυσμός αντικαθίσταται από τον πρόσφατα δημιουργημένο πληθυσμό.

Μέθοδος επιλογής τροχών ρουλέτας

Η επιλογή τροχών ρουλέτας είναι η μέθοδος επιλογής που χρησιμοποιείται ευρέως.

Η διαδικασία επιλογής είναι σύντομη όπως φαίνεται παρακάτω:

Σε αυτήν τη μέθοδο, γίνεται γραμμική αναζήτηση μέσω του τροχού της ρουλέτας. Οι εγκοπές στον τροχό ζυγίζονται σύμφωνα με την ατομική τιμή φυσικής κατάστασης. Η τιμή στόχος ορίζεται τυχαία σύμφωνα με το ποσοστό του αθροίσματος της καταλληλότητας στον πληθυσμό.

Έπειτα, ο πληθυσμός αναζητείται έως ότου επιτευχθεί η τιμή-στόχος. Αυτή η μέθοδος δεν εγγυάται την καλύτερη εφαρμογή των ατόμων, αλλά έχει την πιθανότητα να είναι η πιο κατάλληλη.

Ας δούμε τα βήματα που εμπλέκονται στην επιλογή τροχών ρουλέτας.

Η αναμενόμενη αξία ενός ατόμου = Ατομική καταλληλότητα / φυσική κατάσταση του πληθυσμού. Οι αυλακώσεις των τροχών ανατίθενται σε άτομα με βάση την καταλληλότητά τους. Ο τροχός περιστρέφεται N φορές όπου N είναι ο συνολικός αριθμός ατόμων στον πληθυσμό. Όταν μια περιστροφή τελειώσει, το επιλεγμένο άτομο τοποθετείται σε μια ομάδα γονέων.

1. Αφήστε τη συνολική αναμενόμενη αξία ενός αριθμού ατόμων στον πληθυσμό να είναι S.
2. Επαναλάβετε τα βήματα 3-5 n φορές.
3. Επιλέξτε έναν ακέραιο αριθμό μεταξύ 0 και S.
4. Περιηγηθείτε σε άτομα του πληθυσμού, αθροίστε τις αναμενόμενες τιμές έως ότου το άθροισμα είναι μεγαλύτερο από το s.
5. Επιλέγεται το άτομο του οποίου η αναμενόμενη τιμή τοποθετεί το άθροισμα πάνω από το όριο s.

Μειονεκτήματα της επιλογής τροχών ρουλέτας:

1. Εάν η φυσική κατάσταση διαφέρει πολύ, τότε η περιφέρεια του τροχού της Ρουλέτας θα ληφθεί στο μέγιστο από το χρωμόσωμα με την υψηλότερη λειτουργία φυσικής κατάστασης, έτσι οι άλλοι έχουν πολύ λίγες πιθανότητες να επιλεγούν.
2. Είναι θορυβώδες.
3. Η εξέλιξη εξαρτάται από τη διακύμανση της καταλληλότητας του πληθυσμού.

Άλλες μέθοδοι επιλογής

Υπάρχουν πολλές άλλες μέθοδοι επιλογής που χρησιμοποιούνται στο 'Επιλογή' βήμα του Γενετικού Αλγόριθμου.

Θα συζητήσουμε τις 2 άλλες ευρέως χρησιμοποιούμενες μεθόδους:

# 1) Επιλογή κατάταξης: Σε αυτήν τη μέθοδο, σε κάθε χρωμόσωμα δίνεται μια καταλληλότητα από την κατάταξη. Η χειρότερη φυσική κατάσταση είναι 1 και η καλύτερη φυσική κατάσταση είναι Ν. Είναι μια αργή μέθοδος σύγκλισης. Σε αυτήν τη μέθοδο, η ποικιλομορφία διατηρείται οδηγώντας σε μια επιτυχημένη αναζήτηση.

Επιλέγονται πιθανοί γονείς και στη συνέχεια διοργανώνεται ένα τουρνουά για να αποφασιστεί ποια από τα άτομα θα είναι γονείς.

# 2) Επιλογή τουρνουά: Σε αυτήν τη μέθοδο, εφαρμόζεται μια επιλεκτική στρατηγική πίεσης στον πληθυσμό. Το καλύτερο άτομο είναι εκείνο με την υψηλότερη φυσική κατάσταση. Αυτό το άτομο είναι ο νικητής του διαγωνισμού τουρνουά μεταξύ Nu ατόμων του πληθυσμού.

Ο πληθυσμός του τουρνουά μαζί με τον νικητή προστίθεται ξανά στην ομάδα για να δημιουργήσει νέους απογόνους. Η διαφορά στις τιμές φυσικής κατάστασης του νικητή και των ατόμων στην ομάδα ζευγαρώματος παρέχει επιλεκτική πίεση για βέλτιστα αποτελέσματα.

Crossover

Είναι μια διαδικασία λήψης 2 ατόμων και παραγωγής ενός παιδιού από αυτά. Η διαδικασία αναπαραγωγής μετά την επιλογή κάνει κλώνους από τα καλά τσιμπήματα. Ο διασταυρούμενος χειριστής εφαρμόζεται πάνω από τις χορδές για να παράγει έναν καλύτερο απόγονο.

Η εφαρμογή του διαχειριστή crossover έχει ως εξής:

1. Δύο άτομα επιλέγονται τυχαία από τον πληθυσμό για την παραγωγή απογόνων.
2. Μια διασταυρούμενη τοποθεσία επιλέγεται τυχαία σε όλο το μήκος της συμβολοσειράς.
3. Οι τιμές στον ιστότοπο ανταλλάσσονται.

Το crossover που εκτελείται μπορεί να είναι crossover ενός σημείου, crossover δύο σημείων, crossover πολλαπλών σημείων, κ.λπ. Το crossover ενός σημείου έχει μία τοποθεσία crossover ενώ μια τοποθεσία crossover δύο σημείων έχει 2 θέσεις όπου ανταλλάσσονται οι τιμές.

Μπορούμε να το δούμε στο παρακάτω παράδειγμα:

Crossover με ένα σημείο

Crossover δύο σημείων

Πιθανότητα Crossover

Π_ντο, η πιθανότητα crossover είναι ο όρος που περιγράφει πόσο συχνά θα εκτελείται το crossover. Η πιθανότητα 0% σημαίνει ότι τα νέα χρωμοσώματα θα είναι ένα ακριβές αντίγραφο των παλαιών χρωμοσωμάτων, ενώ η πιθανότητα 100% σημαίνει ότι όλα τα νέα χρωμοσώματα παράγονται με διασταύρωση.

Μετάλλαξη

Η μετάλλαξη γίνεται μετά το Crossover. Ενώ το crossover εστιάζει μόνο στην τρέχουσα λύση, η λειτουργία μετάλλαξης αναζητά ολόκληρο το χώρο αναζήτησης. Αυτή η μέθοδος είναι η ανάκτηση των χαμένων γενετικών πληροφοριών και η διανομή των γενετικών πληροφοριών.

Αυτός ο χειριστής βοηθά στη διατήρηση της γενετικής ποικιλομορφίας στον πληθυσμό. Βοηθά στην πρόληψη των τοπικών ελαχίστων και αποτρέπει τη δημιουργία άχρηστων λύσεων από οποιοδήποτε πληθυσμό.

Η μετάλλαξη πραγματοποιείται με πολλούς τρόπους, όπως η αντιστροφή της τιμής κάθε γονιδίου με μικρή πιθανότητα ή η μετάλλαξη μόνο εάν βελτιώνει την ποιότητα του διαλύματος.

Μερικοί από τους τρόπους μετάλλαξης είναι:

• Αναστροφή: Αλλαγή από 0 σε 1 ή 1 σε 0.
• Ανταλλαγή: Επιλέγονται δύο τυχαίες θέσεις και οι τιμές εναλλάσσονται.
• Αντιστροφή: Επιλέγεται η τυχαία θέση και τα bit δίπλα της αντιστρέφονται.

Ας δούμε μερικά παραδείγματα καθεμιάς:

Αναστροφή

Ανταλλαγή

Αντιστροφή

Πιθανότητα μετάλλαξης

Π_Μ, η πιθανότητα μετάλλαξης είναι ένας όρος που αποφασίζει τη συχνότητα μετάλλαξης των χρωμοσωμάτων. Εάν η πιθανότητα μετάλλαξης είναι 100% τότε αυτό σημαίνει ότι ολόκληρο το χρωμόσωμα έχει αλλάξει. Εάν δεν πραγματοποιηθεί μετάλλαξη, τότε δημιουργούνται νέοι απόγονοι αμέσως μετά το crossover.

Ένα παράδειγμα γενικού γενετικού αλγορίθμου Πιθανότητα μετάλλαξης: Π_Μ, η πιθανότητα μετάλλαξης είναι ένας όρος που αποφασίζει τη συχνότητα μετάλλαξης των χρωμοσωμάτων. Εάν η πιθανότητα μετάλλαξης είναι 100% τότε αυτό σημαίνει ότι ολόκληρο το χρωμόσωμα έχει αλλάξει.

Εάν δεν πραγματοποιηθεί μετάλλαξη, τότε οι νέοι απόγονοι δημιουργούνται αμέσως μετά το crossover. Ο αρχικός πληθυσμός των χρωμοσωμάτων δίνεται ως A, B, C, D. Το μέγεθος του πληθυσμού είναι 4.

Η λειτουργία φυσικής κατάστασης λαμβάνεται ως αριθμός 1 στο string.

Το άθροισμα της φυσικής κατάστασης είναι 12 που σημαίνει, η μέση συνάρτηση φυσικής κατάστασης θα είναι ~ 12/4 = 3

Πιθανότητα crossover = 0,7

Πιθανότητα μετάλλαξης = 0,001

# 1) Εάν επιλεγούν τα B και C, το crossover δεν πραγματοποιείται καθώς η τιμή φυσικής κατάστασης του C είναι κάτω από τη μέση φυσική κατάσταση.

#δύο) Το Β είναι μεταλλαγμένο => B: 11101110 -> B^': 01101110 για τη διατήρηση της ποικιλομορφίας του πληθυσμού

# 3) Επιλέγονται B και D, πραγματοποιείται το crossover.

B: 11101110 E: 10110100 -> D: 00110100 F: 01101110

# 4) Εάν το Ε είναι μεταλλαγμένο, τότε

Ε: 10110100 -> Ε^': 10110000

Τα αντίστοιχα χρωμοσώματα φαίνονται στον παρακάτω πίνακα. Η παραγγελία υποβάλλεται τυχαία.

Αν και το πιο κατάλληλο άτομο με τιμή φυσικής κατάστασης 6 χάνεται, η συνολική μέση φυσική κατάσταση του πληθυσμού αυξάνεται και θα είναι: 14/4 = 3.5

Πότε να σταματήσετε τον γενετικό αλγόριθμο

Ένας γενετικός αλγόριθμος διακόπτεται όταν πληρούνται ορισμένες προϋποθέσεις που αναφέρονται παρακάτω:

# 1) Καλύτερη ατομική σύγκλιση: Όταν το ελάχιστο επίπεδο φυσικής κατάστασης πέσει κάτω από την τιμή σύγκλισης, ο αλγόριθμος διακόπτεται. Οδηγεί σε ταχύτερη σύγκλιση.

# 2) Χειρότερη ατομική σύγκλιση: Όταν τα λιγότερο κατάλληλα άτομα στον πληθυσμό επιτυγχάνουν την ελάχιστη τιμή φυσικής κατάστασης κάτω από τη σύγκλιση, τότε ο αλγόριθμος διακόπτεται. Σε αυτήν τη μέθοδο, το ελάχιστο επίπεδο φυσικής κατάστασης διατηρείται στον πληθυσμό. Αυτό σημαίνει ότι το καλύτερο άτομο δεν είναι εγγυημένο, αλλά τα άτομα με ελάχιστη φυσική αξία θα είναι παρόντα.

# 3) Άθροισμα φυσικής κατάστασης: Σε αυτήν τη μέθοδο, εάν το άθροισμα της καταλληλότητας είναι μικρότερο ή ίσο με την τιμή σύγκλισης, τότε η αναζήτηση σταματά. Εγγυάται ότι όλοι οι πληθυσμοί βρίσκονται εντός του εύρους φυσικής κατάστασης.

# 4) Μέση φυσική κατάσταση: Σε αυτήν τη μέθοδο, τουλάχιστον τα μισά άτομα του πληθυσμού θα είναι καλύτερα από ή ίση με την τιμή σύγκλισης.

Κάποιο κριτήριο σύγκλισης ή κατάσταση διακοπής μπορεί να είναι:

• Όταν έχει εξελιχθεί ένας καθορισμένος αριθμός γενεών.
• Όταν πληρούται ο καθορισμένος χρόνος εκτέλεσης του αλγορίθμου.
• Όταν η φυσική κατάσταση του πληθυσμού δεν αλλάζει περαιτέρω με επαναλήψεις.

Πλεονεκτήματα και μειονεκτήματα του γενετικού αλγορίθμου

Τα πλεονεκτήματα ενός γενετικού αλγόριθμου είναι:

1. Έχει ευρύτερο χώρο λύσεων.
2. Είναι ευκολότερο να ανακαλύψετε το παγκόσμιο βέλτιστο.
3. Παραλληλισμός: Πολλά GA μπορούν να λειτουργούν μαζί χρησιμοποιώντας την ίδια CPU χωρίς να παρεμβαίνουν μεταξύ τους. Τρέχουν παράλληλα μεμονωμένα.

Περιορισμοί GA:

1. Ο προσδιορισμός της λειτουργίας φυσικής κατάστασης είναι περιορισμός.
2. Η σύγκλιση των αλγορίθμων μπορεί να είναι πολύ γρήγορη ή πολύ αργή.
3. Υπάρχει ένας περιορισμός της επιλογής των παραμέτρων όπως crossover, πιθανότητα μετάλλαξης, μέγεθος πληθυσμού κ.λπ.

Εφαρμογές γενετικών αλγορίθμων

Το GA είναι αποτελεσματικό για την επίλυση προβλημάτων υψηλών διαστάσεων. Ένα GA χρησιμοποιείται αποτελεσματικά όταν ο χώρος αναζήτησης είναι πολύ μεγάλος, δεν υπάρχουν διαθέσιμες μαθηματικές τεχνικές επίλυσης προβλημάτων και άλλοι παραδοσιακοί αλγόριθμοι αναζήτησης δεν λειτουργούν.

Ορισμένες εφαρμογές όπου χρησιμοποιείται το GA:

• Πρόβλημα βελτιστοποίησης: Ένα από τα καλύτερα παραδείγματα των προβλημάτων βελτιστοποίησης είναι το πρόβλημα του πωλητή ταξιδιών που χρησιμοποιεί GA. Χρησιμοποιούνται ευρέως άλλα προβλήματα βελτιστοποίησης, όπως ο προγραμματισμός εργασίας, η βελτιστοποίηση ποιότητας ήχου GA.
• Μοντέλο ανοσοποιητικού συστήματος: Τα GA χρησιμοποιούνται για τη μοντελοποίηση διαφόρων πτυχών του ανοσοποιητικού συστήματος για μεμονωμένες οικογένειες γονιδίων και πολλαπλών γονιδίων κατά τη διάρκεια του εξελικτικού χρόνου.
• Μηχανική εκμάθηση: Τα GA έχουν χρησιμοποιηθεί για την επίλυση προβλημάτων που σχετίζονται με την ταξινόμηση, την πρόβλεψη, τη δημιουργία κανόνων για τη μάθηση και την ταξινόμηση .

συμπέρασμα

Οι γενετικοί αλγόριθμοι βασίζονται στη μέθοδο της φυσικής εξέλιξης. Αυτοί οι αλγόριθμοι διαφέρουν από τους άλλους αλγορίθμους ταξινόμησης καθώς χρησιμοποιούν κωδικοποιημένες παραμέτρους (0 ή 1), υπάρχουν πολλοί αριθμοί ατόμων σε έναν πληθυσμό και χρησιμοποιούν την πιθανοτική μέθοδο σύγκλισης.

Με τη διαδικασία crossover και μετάλλαξης, οι GA συγκλίνουν σε διαδοχικές γενιές. Η εκτέλεση ενός αλγορίθμου GA δεν εγγυάται πάντα μια επιτυχημένη λύση. Οι Γενετικοί Αλγόριθμοι είναι πολύ αποδοτικοί στη βελτιστοποίηση - προβλήματα προγραμματισμού εργασίας.

Ελπίζω ότι αυτό το σεμινάριο θα εμπλουτίσει τις γνώσεις σας σχετικά με την έννοια των Γενετικών Αλγορίθμων !!

=> Επισκεφθείτε εδώ για τη σειρά αποκλειστικής μηχανικής εκμάθησης

Συνιστώμενη ανάγνωση

• Δοκιμή βάσει μοντέλου χρησιμοποιώντας γενετικό αλγόριθμο
• Data Mining Vs Machine Learning Vs Artificial Intelligence Vs Deep Learning
• Εκμάθηση μηχανικής εκμάθησης: Εισαγωγή στο ML και τις εφαρμογές του
• Τύποι μηχανικής μάθησης: Εποπτευόμενη μάθηση χωρίς επίβλεψη
• Ένας πλήρης οδηγός για το τεχνητό νευρικό δίκτυο στη μηχανική μάθηση
• 11 πιο δημοφιλή εργαλεία λογισμικού μηχανικής εκμάθησης το 2021
• Κορυφαίες 13 καλύτερες εταιρείες μηχανικής μάθησης (Ενημερώθηκε η λίστα του 2021)
• Τι είναι το Support Vector Machine (SVM) στη Μηχανική Εκμάθηση