คำถามติดแท็ก genetic-algorithms

ขณะนี้ฉันกำลังอ่านและดูเกี่ยวกับอัลกอริทึมทางพันธุกรรมและฉันคิดว่ามันน่าสนใจมาก (ฉันไม่ได้มีโอกาสศึกษาในขณะที่ฉันอยู่ที่มหาวิทยาลัย) ฉันเข้าใจว่าการกลายพันธุ์ขึ้นอยู่กับความน่าจะเป็น (การสุ่มเป็นรากฐานของวิวัฒนาการ) แต่ฉันไม่เข้าใจว่าทำไมการเอาชีวิตรอดจึงเป็นเช่นนั้น จากสิ่งที่ฉันเข้าใจบุคคลที่IIIมีฟิตเนสF(i)F(i)F(i)เช่นสำหรับบุคคลอีกคนที่JJJมีฟิตเนสเรามีจากนั้นมีโอกาสดีกว่าF(j)F(j)F(j)F(i)>F(j)F(i)>F(j)F(i) > F(j)IIIJJJเพื่อความอยู่รอด เพื่อรุ่นต่อไป ความน่าจะเป็นหมายความว่าJJJ อาจอยู่รอดและIII อาจไม่ (กับ "โชคร้าย") ฉันไม่เข้าใจว่าทำไมสิ่งนี้ถึงดีเลย? ถ้าIIIจะอยู่รอดสิ่งที่เลือกไว้เสมอสิ่งที่จะผิดพลาดในอัลกอริทึม? ฉันเดาว่าอัลกอริทึมจะคล้ายกับอัลกอริทึมโลภ แต่ฉันไม่แน่ใจ

24 algorithms  optimization  genetic-algorithms 

คำถามนี้ย้ายมาจาก Artificial Intelligence Stack Exchange เพราะสามารถตอบได้ใน Computer Science Stack Exchange อพยพ 5 ปีที่ผ่านมา ในการใช้งานส่วนใหญ่ของอัลกอริธึมทางพันธุกรรมการมุ่งเน้นไปที่ครอสโอเวอร์และการกลายพันธุ์ แต่อย่างใดส่วนใหญ่ของพวกเขาออกลักษณะของยีน (เด่น / ถอย) diploid เท่าที่ความเข้าใจ (จำกัด ) ของฉันไปตามธรรมชาติที่โดดเด่น / ถอยของยีนเป็นปัจจัยที่สำคัญมากในการตัดสินใจลักษณะที่แท้จริงของสิ่งมีชีวิต ดังนั้นคำถามของฉันคือทำไมธรรมชาติของยีนซ้ำซ้อนที่เหลือจากอัลกอริธึมทางพันธุกรรมในการนำไปใช้ส่วนใหญ่? เป็นเพราะ: มันไม่ได้ให้ประโยชน์มากนัก มันเพิ่มความซับซ้อนที่ไม่จำเป็นให้กับอัลกอริทึมแบบง่าย มันยากที่จะใช้ หรืออย่างอื่นอย่างสิ้นเชิง?

20 machine-learning  genetic-algorithms 

ฉันเพิ่งอ่านรายการบล็อกที่น่าสนใจจาก Google Research Blog ที่พูดถึงเครือข่ายประสาท โดยพื้นฐานแล้วพวกเขาใช้เครือข่ายประสาทเทียมนี้เพื่อแก้ปัญหาต่าง ๆ เช่นการจดจำภาพ พวกเขาใช้อัลกอริทึมทางพันธุกรรมเพื่อ "พัฒนา" น้ำหนักของซอน ดังนั้นโดยพื้นฐานแล้วความคิดของฉันคือ ถ้าฉันควรจะเขียนโปรแกรมที่รับรู้ตัวเลขฉันจะไม่รู้วิธีเริ่มต้น (ฉันอาจมีความคิดที่คลุมเครือ แต่ประเด็นของฉันคือ: มันไม่สำคัญหรือไม่ง่าย) แต่โดยใช้เครือข่ายประสาทฉันไม่จำเป็นต้องทำ โดยการสร้างบริบทที่เหมาะสมเพื่อให้โครงข่ายประสาทเทียมวิวัฒนาการเครือข่ายประสาทของฉันจะ "ค้นหาอัลกอริทึมที่ถูกต้อง" ด้านล่างฉันอ้างถึงส่วนที่น่าสนใจจริงๆของบทความที่พวกเขาอธิบายว่าแต่ละเลเยอร์มีบทบาทที่แตกต่างกันในกระบวนการรับรู้ภาพอย่างไร หนึ่งในความท้าทายของโครงข่ายประสาทคือการเข้าใจว่าเกิดอะไรขึ้นในแต่ละเลเยอร์ เรารู้ว่าหลังจากการฝึกฝนแต่ละเลเยอร์จะดึงคุณสมบัติที่สูงขึ้นและระดับสูงของภาพออกมาเรื่อย ๆ จนกระทั่งเลเยอร์สุดท้ายทำการตัดสินใจเกี่ยวกับภาพที่แสดง ตัวอย่างเช่นเลเยอร์แรกอาจมองหาขอบหรือมุม เลเยอร์กลางตีความคุณสมบัติพื้นฐานเพื่อค้นหารูปร่างหรือส่วนประกอบโดยรวมเช่นประตูหรือใบไม้ เลเยอร์ไม่กี่ขั้นสุดท้ายรวบรวมสิ่งเหล่านั้นไว้ในการตีความที่สมบูรณ์ - เซลล์ประสาทเหล่านี้เปิดใช้งานเพื่อตอบสนองต่อสิ่งที่ซับซ้อนมากเช่นอาคารหรือต้นไม้ทั้งหมด ดังนั้นโดยทั่วไปคำถามของฉันคือ: เราไม่สามารถใช้อัลกอริธึมเชิงพันธุกรรม + เครือข่ายประสาทเพื่อแก้ไขปัญหา NP ทุกข้อได้หรือไม่ เราเพิ่งสร้างบริบทวิวัฒนาการที่เหมาะสมและปล่อยให้ "ธรรมชาติ" หาทางออก การลงทะเบียนเรียน: จะลึกเข้าไปในเครือข่ายประสาท แก้ไข: ฉันรู้ว่าเราสามารถใช้ Brute-Force หรือค้นหาโซลูชันที่ไม่มีประสิทธิภาพในหลายกรณี นั่นคือเหตุผลที่ฉันพยายามเน้นการพัฒนาโครงข่ายประสาทเทียม ดังที่ฉันพูดในความคิดเห็น: ให้เวลาเพียงพอและอัตราการกลายพันธุ์ที่เหมาะสมเราสามารถหาทางออกที่ดีที่สุด (หรืออย่างน้อยนั่นคือสิ่งที่ฉันคิด)

10 machine-learning  np  neural-networks  p-vs-np  genetic-algorithms 

เราจะเลือกจำนวนพารามิเตอร์ที่เหมาะสมสำหรับอัลกอริธึมทางพันธุกรรมเพื่อสร้างแบบจำลองระบบที่กำหนดได้อย่างไร? ตัวอย่างเช่นสมมติว่าคุณต้องการเพิ่มประสิทธิภาพการผลิตรถยนต์และคุณมี 1,000 วัดประสิทธิภาพต่อชั่วโมงในงานต่าง ๆ สำหรับพนักงาน 1,000 คนที่แตกต่างกัน ดังนั้นคุณมี 1,000,000 จุดข้อมูล ส่วนใหญ่เหล่านี้มีแนวโน้มที่จะมีความสัมพันธ์ที่ไม่ค่อยจะประสิทธิภาพโดยรวมของโรงงานของคุณ แต่ไม่ได้จึงไม่ค่อยที่คุณสามารถพูดได้ว่าพวกเขาจะไม่เกี่ยวข้องกับความเชื่อมั่นทางสถิติ คุณจะเลือกอินพุตสำหรับ GA ของคุณอย่างไรเพื่อที่คุณจะได้ไม่ต้องมีอิสระ 1,000,000+ องศาทำให้เกิดการลู่เข้าที่ช้ามากหรือไม่มีการลู่เข้าเลย โดยเฉพาะขั้นตอนวิธีใดบ้างที่เราสามารถใช้เพื่อเลือกล่วงหน้าหรือกำจัดคุณลักษณะที่เลือกได้ วิธีการหนึ่งที่ฉันได้ใช้ตัวเองอยู่ในสถานการณ์นี้จะพัฒนาตัวเลือกพารามิเตอร์ตัวเองดังนั้นผมอาจจะมีพ่อแม่เหมือน{a,b,c}, {b,d,e,q,x,y,z}และอื่น ๆ ฉันจะทำให้เด็กกลายพันธุ์เพื่อเพิ่มหรือลดคุณสมบัติ ใช้งานได้ดีกับคุณสมบัติโหล แต่ปัญหาคือว่ามันไม่มีประสิทธิภาพถ้ามีองศาอิสระจำนวนมาก ในกรณีนี้คุณกำลังดู10^nชุดค่าผสม (ในตัวอย่างด้านบน10^1,000,000) ซึ่งทำให้การกรองคุณสมบัติบางอย่างมีความสำคัญอย่างยิ่งเพื่อให้ได้ประสิทธิภาพที่มีประโยชน์

9 genetic-algorithms