ฉันสังเกตเห็นว่าคำถามสองสามข้อในเว็บไซต์นี้พูดถึงอัลกอริธึมทางพันธุกรรมและทำให้ฉันรู้ว่าฉันไม่รู้อะไรเกี่ยวกับสิ่งเหล่านั้นจริงๆ
ฉันเคยได้ยินคำศัพท์ก่อนหน้านี้ แต่มันไม่ใช่สิ่งที่ฉันเคยใช้ดังนั้นฉันไม่มีความคิดมากเกี่ยวกับวิธีการทำงานและสิ่งที่ดีสำหรับพวกเขา สิ่งที่ฉันรู้ก็คือพวกมันเกี่ยวข้องกับวิวัฒนาการและการเปลี่ยนแปลงค่าแบบสุ่ม
คุณสามารถให้คำอธิบายสั้น ๆ โดยเฉพาะอย่างยิ่งรวมถึงตัวอย่างของการปฏิบัติที่แสดงให้เห็นถึงหลักการพื้นฐาน?
คำตอบ:
อัลกอริทึมวิวัฒนาการเป็นครอบครัวของขั้นตอนวิธีการเพิ่มประสิทธิภาพบนพื้นฐานของหลักการการคัดเลือกโดยธรรมชาติของดาร์วิน เป็นส่วนหนึ่งของการคัดเลือกโดยธรรมชาติสภาพแวดล้อมที่กำหนดมีประชากรของบุคคลที่แข่งขันเพื่อความอยู่รอดและการสืบพันธุ์ ความสามารถของแต่ละบุคคลในการบรรลุเป้าหมายเหล่านี้กำหนดโอกาสที่จะมีลูกหรือกล่าวอีกนัยหนึ่งว่าถ่ายทอดยีนของพวกเขาไปสู่คนรุ่นต่อ ๆ ไปซึ่งด้วยเหตุผลทางพันธุกรรมจะมีโอกาสเพิ่มขึ้นในการทำให้ดีขึ้น วัตถุประสงค์สองประการ
หลักการของการปรับปรุงอย่างต่อเนื่องเหนือกว่ารุ่นนี้ถูกนำมาใช้โดยอัลกอริทึมวิวัฒนาการเพื่อเพิ่มประสิทธิภาพการแก้ไขปัญหา ในรุ่นแรกประชากรที่ประกอบด้วยบุคคลต่าง ๆจะถูกสร้างแบบสุ่มหรือโดยวิธีอื่น บุคคลเป็นวิธีการแก้ปัญหาที่ดีหรือน้อยกว่า: คุณภาพของบุคคลที่เกี่ยวข้องกับปัญหาที่เรียกว่าการออกกำลังกายซึ่งสะท้อนให้เห็นถึงความเพียงพอของการแก้ปัญหาที่จะแก้ไข ยิ่งความแข็งแรงของบุคคลสูงเท่าไหร่ก็ยิ่งมีโอกาสที่จะถ่ายทอดพันธุกรรมบางส่วนหรือทั้งหมดให้แก่คนรุ่นต่อไปได้มากขึ้นเท่านั้น
บุคคลที่ถูกเข้ารหัสเป็นจีโนไทป์ซึ่งสามารถมีรูปร่างใด ๆ เช่น ** บิตเวกเตอร์ ( อัลกอริทึมทางพันธุกรรม ) หรือเวกเตอร์ของจริง (กลยุทธ์วิวัฒนาการ) จีโนไทป์แต่ละตัวจะถูกแปลงเป็นฟีโนไทป์เมื่อทำการประเมินบุคคลเช่นเมื่อคำนวณความเหมาะสม ในบางกรณีฟีโนไทป์ก็เหมือนกับจีโนไทป์: มันถูกเรียกว่าการ เข้ารหัสโดยตรง. มิฉะนั้นการเข้ารหัสจะเรียกว่าทางอ้อม ตัวอย่างเช่นสมมติว่าคุณต้องการเพิ่มประสิทธิภาพขนาดของสี่เหลี่ยมขนานที่กำหนดโดยความยาวความสูงและความกว้าง เพื่อให้ง่ายขึ้นสมมติว่าสามปริมาณนี้เป็นจำนวนเต็มระหว่าง 0 ถึง 15 จากนั้นเราสามารถอธิบายแต่ละรายการโดยใช้เลขฐานสองแบบ 4 บิต ตัวอย่างของการแก้ปัญหาที่อาจเกิดขึ้นกับจีโนไทป์ 0001 0111 01010 ฟีโนไทป์ที่สอดคล้องกันคือขนานที่มีความยาว 1, ความสูง 7 และความกว้าง 10
ในช่วงการเปลี่ยนภาพจากรุ่นเก่าเป็นรุ่นใหม่เรียกว่าโอเปอเรเตอร์การเปลี่ยนแปลง ซึ่งมีจุดประสงค์เพื่อจัดการกับบุคคล มีตัวดำเนินการชุดรูปแบบที่แตกต่างกันสองประเภท:
อัลกอริทึมวิวัฒนาการได้พิสูจน์ตัวเองในด้านต่าง ๆ เช่นการวิจัยการดำเนินงานหุ่นยนต์ชีววิทยาแตกต่างกันนิดหน่อยหรือการเข้ารหัส นอกจากนี้พวกเขาสามารถเพิ่มประสิทธิภาพหลายวัตถุประสงค์พร้อมกันและสามารถใช้เป็นกล่องดำเพราะพวกเขาไม่ถือว่าคุณสมบัติใด ๆ ในแบบจำลองทางคณิตศาสตร์เพื่อเพิ่มประสิทธิภาพ ข้อ จำกัด ที่แท้จริงของพวกเขาคือความซับซ้อนในการคำนวณ
อัลกอริทึมทางพันธุกรรมเป็นอัลกอริทึมที่สุ่มสร้างจำนวนของวิธีแก้ไขปัญหาพยายามสำหรับปัญหา ชุดของความพยายามแก้ไขปัญหานี้เรียกว่า "ประชากร"
จากนั้นก็พยายามที่จะดูว่าดีแก้ปัญหาเหล่านี้แก้ปัญหาโดยใช้รับฟังก์ชั่นการออกกำลังกาย ทางออกที่พยายามด้วยการออกกำลังกายที่ดีที่สุดค่าความถูกใช้เพื่อสร้างประชากรใหม่ สิ่งนี้สามารถทำได้โดยการเปลี่ยนแปลงเล็กน้อยในการแก้ปัญหาความพยายาม (การกลายพันธุ์) หรือโดยการรวมการแก้ไขความพยายามที่มีอยู่ (ครอสโอเวอร์)
แนวคิดก็คือเมื่อเวลาผ่านไปโซลูชันที่พยายามออกมานั้นมีค่าความฟิตสูงพอที่จะแก้ปัญหาได้
แรงบันดาลใจสำหรับสิ่งนี้มาจากทฤษฎีวิวัฒนาการ ทางออกที่เหมาะสมที่สุดอยู่รอดและให้กำเนิด
ตัวอย่างที่ 1
สมมติว่าคุณกำลังมองหาวิธีที่มีประสิทธิภาพที่สุดในการตัดรูปร่างจำนวนหนึ่งออกมาจากเศษไม้ คุณต้องการเสียไม้ให้น้อยที่สุด
วิธีแก้ปัญหาของคุณคือการจัดเรียงรูปร่างเหล่านี้แบบสุ่มบนชิ้นไม้ ความเหมาะสมของร่างกายจะพิจารณาจากไม้เหลือเพียงเล็กน้อยหลังจากตัดรูปร่างตามข้อตกลงนี้
ยิ่งมีไม้เหลือน้อยเท่าไหร่
ตัวอย่างที่ 2
สมมติว่าคุณกำลังพยายามค้นหาพหุนามที่ผ่านหลายจุด วิธีแก้ปัญหาที่คุณพยายามจะเป็นหลายชื่อแบบสุ่ม
ในการพิจารณาความเหมาะสมของพหุนามเหล่านี้คุณต้องพิจารณาว่ามันเหมาะสมกับจุดที่ได้รับมากแค่ไหน (ในกรณีนี้โดยเฉพาะคุณอาจใช้วิธีกำลังสองน้อยที่สุดเพื่อกำหนดว่าพหุนามเหมาะสมกับคะแนนมากน้อยเพียงใด) ในการทดลองหลายครั้งคุณจะได้พหุนามที่พอดีกับจุดที่ดีกว่าจนกว่าคุณจะมีพหุนามที่พอดีกับจุดมากพอ
คำตอบนี้ร้องขอตัวอย่างจริงของวิธีอาจใช้ซึ่งฉันจะพยายามให้นอกเหนือจากคำตอบอื่น ๆ พวกเขาดูเหมือนจะเป็นงานที่ดีมากในการอธิบายว่าอัลกอริทึมทางพันธุกรรมคืออะไร ดังนั้นนี่จะเป็นตัวอย่าง
สมมติว่าคุณมีโครงข่ายประสาทเทียม (แม้ว่าจะไม่ใช่แอปพลิเคชั่นเดียวเท่านั้น) ซึ่งจากอินพุตที่กำหนดบางตัวจะให้ผลลัพธ์บางส่วน อัลกอริธึมทางพันธุกรรมสามารถสร้างประชากรของสิ่งเหล่านี้และโดยการดูว่าผลลัพธ์ใดที่ดีที่สุดรวบรวมและฆ่าสมาชิกของประชากร ในที่สุดนี้ควรเพิ่มประสิทธิภาพเครือข่ายประสาทหากมีความซับซ้อนเพียงพอ
นี่คือการสาธิตที่ฉันทำซึ่งแม้จะถูกเข้ารหัสไม่ดีอาจช่วยให้คุณเข้าใจได้ http://khrabanas.github.io/projects/evo/evo.html กดปุ่มวิวัฒนาการและทำตามเป้าหมาย
ใช้อัลกอริธึมทางพันธุกรรมอย่างง่ายในการผสมพันธุ์กลายพันธุ์และตัดสินใจว่าประชากรใดที่รอดชีวิต ขึ้นอยู่กับวิธีการตั้งค่าตัวแปรอินพุตเครือข่ายจะสามารถเข้าถึงระดับใกล้เคียงกับพวกเขาในลักษณะนี้ประชากรที่มีแนวโน้มจะกลายเป็นกลุ่มที่เป็นเนื้อเดียวกันซึ่งผลลัพธ์จะคล้ายกับเป้าหมาย
อัลกอริธึมทางพันธุกรรมกำลังพยายามสร้าง "โครงข่ายประสาท" ของแปลก ๆ โดยการใช้ใน RGB จะให้สีของเอาต์พุต ก่อนอื่นมันสร้างประชากรสุ่ม จากนั้นโดยการสุ่มสมาชิก 3 คนจากประชากรเลือกสมาชิกที่มีความฟิตต่ำที่สุดและลบออกจากประชากร ความฟิตเท่ากับความแตกต่างของเป้าหมายสูงสุดกำลังสอง + ผลต่างในเป้าหมายล่างยกกำลังสอง จากนั้นจะทำการผสมสายพันธุ์ที่เหลืออีกสองสายเข้าด้วยกันและเพิ่มลูกให้อยู่ในที่เดียวกันในกลุ่มประชากรในฐานะสมาชิกที่เสียชีวิต เมื่อการผสมพันธุ์เกิดขึ้นมีโอกาสเกิดการกลายพันธุ์ การกลายพันธุ์นี้จะเปลี่ยนค่าใดค่าหนึ่งแบบสุ่ม
ในฐานะที่เป็นบันทึกด้านข้างเนื่องจากวิธีการตั้งค่ามันเป็นไปไม่ได้ที่จะถูกต้องทั้งหมดในหลาย ๆ กรณีแม้ว่ามันจะถึงความสนิทสนม
มีคำตอบที่ดีมากมายที่นี่อธิบายว่าอัลกอริธึมทางพันธุกรรมคืออะไรและให้แอปพลิเคชันตัวอย่าง ฉันกำลังเพิ่มคำแนะนำทั่วไปเกี่ยวกับสิ่งที่ดีสำหรับพวกเขา แต่ก็เป็นกรณีที่คุณไม่ควรใช้ ถ้าน้ำเสียงของฉันดูเหมือนจะรุนแรงอาจเป็นเพราะการใช้ GAs ในกรณีใด ๆ ในส่วนที่ไม่เหมาะสมจะนำไปสู่การที่กระดาษของคุณถูกปฏิเสธทันทีจากวารสารชั้นนำใด ๆ
ก่อนอื่นปัญหาของคุณต้องเป็นปัญหาการเพิ่มประสิทธิภาพ คุณต้องกำหนด "ฟังก์ชั่นการออกกำลังกาย" ที่คุณพยายามปรับให้เหมาะสมและคุณต้องมีวิธีในการวัด
ดี:
ไม่เหมาะสม:
ในที่สุดหากคุณกำลังพิจารณา GA พิจารณางานล่าสุดในกลยุทธ์วิวัฒนาการ ฉันลำเอียงไปสู่CMA-ESซึ่งฉันคิดว่าเป็นอัลกอริธึมที่เรียบง่ายที่ดีที่จับความคิดของการไล่ระดับสีในแนวการออกกำลังกายในแบบที่ GAs ดั้งเดิมไม่ทำ
ดังที่สังเกตในคำตอบอื่นสิ่งที่คุณต้องใช้ในการคำนวณอัลกอริธึม (GAs) คือการแสดงวิธีแก้ปัญหาที่อาจเกิดขึ้นกับคุณในรูปแบบที่ต้องเผชิญกับครอสโอเวอร์และการกลายพันธุ์ ตามหลักการแล้วฟังก์ชั่นการออกกำลังกายจะให้ผลตอบรับที่ราบรื่นเกี่ยวกับคุณภาพของโซลูชันแทนที่จะเป็น 'เข็มในกองหญ้า'
นี่คือลักษณะบางส่วนของปัญหาที่อัลกอริทึมทางพันธุกรรม (และโดยทั่วไปแล้วMetaheuristics ) นั้นดีสำหรับ:
อย่างไรก็ตามแม้ว่าจะมีการใช้งานอย่างกว้างขวางเพื่อจุดประสงค์โปรดทราบว่า GA ไม่ใช่การเพิ่มประสิทธิภาพการทำงานจริง- กลไกของ GA มีแนวโน้มที่จะไม่สำรวจพื้นที่ "รอบนอก" ของพื้นที่ค้นหาเพื่อหวังว่าจะได้พบกับโซลูชันคุณภาพสูง ยอดเขาที่เข้าถึงได้ง่ายใน 'ภูมิทัศน์การออกกำลังกาย'
รายละเอียดเพิ่มเติมเกี่ยวกับการบังคับใช้ของ GAs ได้รับในกระดาษก่อนที่มีชื่อเสียง"สิ่งที่ทำให้เกิดปัญหายากสำหรับอัลกอริทึมทางพันธุกรรม?"