Создание генетического алгоритма для начинающих
Введение
Генетический алгоритм (GA) отлично подходит для поиска решений сложных задач поиска. Они часто использованы в полях как инженерство для того чтобы создать неимоверно изделия высокого качества спасибо их способность искать a через огромное сочетание из параметры для того чтобы найти самая лучшая спичка. Например, они могут искать через различные материалы и конструкции сочетание из Для того чтобы найти совершенное сочетание из оба которые смогли привести к в более сильном, более светлом и общем, более лучшем конечном продукте. Их можно также использовать для того чтобы конструировать алгоритмы компьютера, запланировать задачи, и разрешить другие проблемы оптимизирования. Генетические алгоритмы основаны на процессе эволюции путем естественного отбора, который наблюдался в природе. Они по существу повторяют то, как жизнь использует эволюцию для поиска решений реальных проблем. Удивительно, но хотя генетические алгоритмы могут быть использованы для поиска решений невероятно сложных проблем, они сами по себе довольно просты в использовании и понимании.
Как они работают
Как мы теперь знаем, что они основаны на процессе естественного отбора, это означает, что они берут фундаментальные свойства естественного отбора и применяют их к любой проблеме, которую мы пытаемся решить.
Основной процесс для генетического алгоритма является:
1. Инициализация-создание начальной совокупности. Эта популяция обычно генерируется случайным образом и может быть любого желаемого размера, от нескольких человек до тысяч.
2. Оценка-каждый член населения затем оценивается, и мы вычисляем "пригодность" для этого человека. Значение пригодности высчитано насколько хорошо оно приспосабливает с нашими пожеланными требованиями. Эти требования могут быть простыми, "более быстрые алгоритмы лучше" или более сложными, "более прочные материалы лучше, но они не должны быть слишком тяжелыми".
3. Отбор-мы хотим постоянно улучшать общее состояние нашего населения. Выбор помогает нам сделать это, отбросив плохие проекты и только сохраняя лучшие люди в популяции. Есть несколько различных методов выбора, но основная идея одна и та же, что делает его более вероятным, что слесари будут выбраны для нашего следующего поколения.
4. Кроссовер-во время кроссовера мы создаем новых людей, объединяя аспекты наших выбранных лиц. Мы можем думать об этом как о подражании тому, как секс работает в природе. Надежда состоит в том, что, комбинируя определенные черты двух или более особей, мы создадим ровное "слесарное" потомство, которое унаследует лучшие черты от каждого из своих родителей.
5. Мутация - нам нужно добавить немного случайности в генетику наших популяций, иначе каждая комбинация решений, которые мы можем создать, будет в нашей начальной популяции. Мутация, как правило, работает, делая очень небольшие изменения в случайном порядке, чтобы люди генома.
6. И повторяю! - Теперь у нас есть наше следующее поколение, мы можем начать снова с второго шага, пока не достигнем условия прекращения.
Окончание
Есть несколько причин, по которым вы хотели бы прекратить ваш генетический алгоритм от продолжения его поиска решения. Наиболее вероятная причина заключается в том, что ваш алгоритм нашел решение, которое достаточно хорошо и соответствует предопределенным минимальным критериям. Причиной прекращения может быть нехватка времени или денег.
Ограниченные возможности
Представьте, что вам сказали носить повязку, а затем вы были помещены в нижней части холма с инструкцией, чтобы найти свой путь к вершине. Вы только вариант, чтобы отправиться восхождение на холм, пока вы не заметите, что вы больше не восходят. В этот момент Вы можете объявить, что нашли пик, но откуда вы знаете? В этой ситуации из-за завязанных глаз вы не могли видеть, если вы на самом деле на пике или просто на пике меньшего участка холма. Мы называем это локальным оптимумом. Ниже приведен пример того, как этот локальный оптимум может выглядеть:
В отличие от нашего альпиниста с завязанными глазами, генетические алгоритмы часто могут уйти от этих локальных оптимумов, если они достаточно мелки. Хотя, как и наш пример, мы часто никогда не можем гарантировать, что наш генетический алгоритм нашел глобальное оптимальное решение нашей проблемы. Для более сложных задач, как правило, является неразумным исключением, чтобы найти глобальный оптимум, лучшее, что мы можем сделать, это надежда на близкое приближение оптимального решения.