ข้อความที่เชื่อถือได้เกี่ยวกับอัลกอริทึมทางพันธุกรรม


56

อัลกอริธึมทางพันธุกรรมไม่ได้มีแรงฉุดมากนักในโลกแห่งทฤษฎี แต่เป็นวิธีการเกี่ยวกับการเปลี่ยนแปลงที่นิยมใช้อย่างสมเหตุสมผล (โดย metaheuristic ในความเป็นจริงเทคนิคคล้ายกับ GA ค่อนข้างมีประสิทธิภาพสำหรับ Euclidean TSPในทางปฏิบัติ

อภิธานศัพท์บางอย่างได้รับการศึกษาอย่างดีพอสมควรในทางทฤษฎี: มีงานเกี่ยวกับการค้นหาในท้องถิ่นและการหลอม เรามีความรู้สึกที่ดีว่าการเพิ่มประสิทธิภาพทางเลือก ( เช่นค่า k ) หมายถึงอะไร แต่เท่าที่ฉันรู้ไม่มีอะไรที่เป็นประโยชน์จริง ๆ รู้เรื่องอัลกอริธึมทางพันธุกรรม

มีทฤษฎีเกี่ยวกับอัลกอริทึม / ความซับซ้อนเกี่ยวกับพฤติกรรมของอัลกอริธึมทางพันธุกรรมไม่ว่าในทางรูปร่างหรือรูปแบบใด ๆ ในขณะที่ฉันได้ยินสิ่งต่าง ๆ เช่นทฤษฎีสคีมาฉันจะแยกมันออกจากการอภิปรายตามความเข้าใจปัจจุบันของฉันเกี่ยวกับพื้นที่ที่ไม่ได้เป็นอัลกอริทึมโดยเฉพาะ (แต่ฉันอาจเข้าใจผิดที่นี่)


5
สำหรับแรงบันดาลใจบางอย่างดูที่หน้า 25-29 ของPapadimitriou ของ FCRC 2007 สไลด์
Jukka Suomela

1
@Suresh: ฉันต้องการที่จะเห็นว่ามันเป็นคำถามมากกว่าคำตอบ ; ฉันยินดีถ้าคนอื่นประสบปัญหาในการอธิบายโดยเฉพาะเจาะจงมากขึ้นผลที่ Papadimitriou อ้างถึงในสไลด์คืออะไร :)
Jukka Suomela

1
นี่เป็นการแสดงผลป๊อป - ไซของงานนั้น: tinyurl.com/2f39jrb
Suresh Venkat

1
เมื่อเร็ว ๆ นี้ฉันเข้าเรียนหลักสูตร GA และโฆษณาของฉันเกี่ยวกับ GA ลดลงเมื่อฉันเรียนรู้ทฤษฎีอาหารกลางวันฟรี: en.wikipedia.org/wiki/No_free_lunch_in_search_and_optimization
Alexandru

1
Alexandru ทำไมเป็นอย่างนั้น? ควรจะค่อนข้างชัดเจนว่าเทคนิคเกือบจะดีกว่าเทคนิคอื่น ๆ ในบางกรณีและแย่กว่าในเทคนิคอื่น ๆ คุณเชื่อหรือไม่ว่า GA จะยอดเยี่ยมกว่ากัน
Raphael

คำตอบ:


29

Y. Rabinovich, A. Wigderson เทคนิคการ จำกัด อัตราการลู่เข้าของอัลกอริทึมทางพันธุกรรม อัลกอริธึมโครงสร้างสุ่มฉบับ 14 หมายเลข 2, 111-138, 1999. (มีให้จากหน้าแรกของ Avi Wigderson )


ดูเหมือนว่าลิงก์แรกจะหมดอายุ
Jeremy Kun

@ JeremyKun: ฉันลองแล้วมันใช้งานได้ดี ... (มันจะทำให้ฉันเศร้าหากการเชื่อมโยงของดอยหมดเวลาเอาชนะหนึ่งในวัตถุประสงค์หลักของระบบดอย ... )
Joshua Grochow

ฉันยังคงได้รับข้อผิดพลาด "ไม่พบหน้าเว็บ" จากห้องสมุด Wiley มันอาจเป็นปัญหาการจัดรูปแบบ / เบราว์เซอร์?
Jeremy Kun

@ JeremyKun: เป็นไปได้ หากคุณมีสิทธิ์เข้าถึง MathSciNet ให้ลองลิงค์นี้แทน: ams.org/mathscinet-getitem?mr=1667317
Joshua Grochow

มันไม่ใช่ปัญหาเพราะลิงค์ไปยังหน้าแรกของเขาใช้งานได้ ผมก็แค่พยายามที่จะช่วยให้คำตอบที่ดีกว่านี้ :)
เจเรมี Kun

13

ดูผลงานของ Benjamin Doerrจากกลุ่มอัลกอริทึมที่ Max Planck (MPI) มันคือทั้งหมดที่เกี่ยวกับการพยายามทำสิ่งที่พิสูจน์ได้ถึงอัลกอริธึมวิวัฒนาการ

โดยเฉพาะอย่างยิ่ง Doerr ได้ร่วมแก้ไขหนังสือเล่มล่าสุดที่เกี่ยวข้องทฤษฎีการค้นหาแบบสุ่ม


1
การเพิ่มลิงค์จะช่วยปรับปรุงคำตอบนี้
Dave Clarke

10

เช่นเดียวกับการทำงานกับการหลอมจำลอง Ingo Wegener มีผลลัพธ์ทางทฤษฎีเกี่ยวกับอัลกอริทึมวิวัฒนาการ วิทยานิพนธ์ของปริญญาเอกนักศึกษาของเดิร์ค Sudholt ยังคุ้มค่าดู


10

คุณรู้บทความนี้:

Jens Jägersküpper การรวมการวิเคราะห์มาร์คอฟเชนและการวิเคราะห์ดริฟท์: อัลกอริธึมวิวัฒนาการ (1 + 1) เกี่ยวกับฟังก์ชั่นเชิงเส้นที่โหลดใหม่

มันแสดงเวลาทำงานที่คาดหวังของสำหรับฟังก์ชันเชิงเส้นสำหรับคลาสของอัลกอริทึมวิวัฒนาการO(nlogn)


10

ในช่วงทศวรรษที่ผ่านมามีความคืบหน้าอย่างมีนัยสำคัญในการวิเคราะห์รันไทม์ของอัลกอริทึมวิวัฒนาการการเพิ่มประสิทธิภาพฝูงมดและ metaheuristics อื่น ๆ สำหรับการสำรวจโปรดดูที่Oliveto et al (2007)


ต่อ Kristian Lehre ฉันเพิ่งดูคุณและเห็นพื้นที่ที่คุณสนใจดังนั้นฉันต้องการถามว่า: คุณคิดว่าเครื่องมือที่คล้ายกันสามารถใช้ในการวิเคราะห์รันไทม์ของอัลกอริธึมการเพิ่มประสิทธิภาพฝูงมดและคำถามธรรมชาติของ Chazelle (หรือ อัตราการลู่เข้าหานก) ตอนนี้เทคนิคของ Chazelle ดูเหมือนจะเป็นเกาะสำหรับตัวเองและฉันสงสัยว่ามีบางภาพที่ใหญ่ขึ้น
Aaron Sterling

2
ใช่สามารถใช้เทคนิคเหล่านี้เพื่อวิเคราะห์รันไทม์ของ ACO ฉันเพิ่งได้ร่วมเขียนบทความเกี่ยวกับ ACOs สำหรับปัญหา MinCut นอกจากนี้โปรดดูการสำรวจโดย Witt (2009): springerlink.com/content/3727x3255r1816g4 ฉันไม่ได้ตระหนักถึงลิงก์ปัจจุบันของงานวิจัยนี้กับงานของ Chazelle แต่มันคุ้มค่าที่จะสำรวจอย่างแน่นอน
ต่อ Kristian Lehre

7

Lovasz และ Vempala (FOCS 2003 ฉบับพิเศษของ J. Comp. System Sci.) ใช้ตัวแปรของการหลอมจำลองเพื่อให้ได้อัลกอริทึมที่ดีขึ้น ( ) สำหรับการคำนวณปริมาตรของร่างกายนูน เห็นได้ชัดว่าพวกเขาสามารถพิสูจน์อะไรบางอย่างเกี่ยวกับตัวแปรที่พวกเขาใช้เพื่อให้ได้ขอบเขตบนที่พิสูจน์ได้ในอัลกอริทึมโดยรวมของพวกเขาO(n4)


1
เฮ้เขากลับมาแล้ว :)
Suresh Venkat

6

ตรวจสอบข้อมูลอ้างอิงเหล่านี้:

Lothar Schmitt, ทฤษฎีของอัลกอริธึมทางพันธุกรรมที่สอง: แบบจำลองสำหรับผู้ให้บริการทางพันธุกรรมในการเป็นตัวแทนสตริง - เทนเซอร์ของประชากรและการบรรจบกับ optima ทั่วโลกสำหรับฟังก์ชั่นการออกกำลังกายโดยพลการภายใต้การปรับ

Shiu Yin Yuen; BKS Cheung ขอบเขตของความน่าจะเป็นของความสำเร็จของอัลกอริธึมทางพันธุกรรมแบบคลาสสิกบนพื้นฐานของระยะการแฮ็ก

ช้าง CY Dorea; Judinor A. Guerra Jr. ; ราฟาเอลมอร์กาโด; Andre GC Pereira, การจำลองแบบลูกโซ่มาร์คอฟหลายขั้นของขั้นตอนวิธีเชิงพันธุกรรมและผลลัพธ์การลู่เข้า

C. Dombry รุ่นเดินสุ่มถ่วงน้ำหนัก การประยุกต์ใช้อัลกอริทึมทางพันธุกรรม


6

นอกจากนี้ยังมีกระดาษจาก D. BHANDARI, CA MURTHY และ SK PAL (น่าเสียดายที่ไม่มีให้บริการออนไลน์) ที่ให้หลักฐานการลู่เข้าภายใต้สมมติฐานสองข้อ:

  • การเลือก Elitist: ทางออกที่ดีที่สุดของ generationต้องอยู่ใน generationt + 1tt+1
  • โอเปอเรเตอร์การกลายพันธุ์อนุญาตให้เปลี่ยนจากโซลูชันใด ๆ ไปยังวิธีอื่นในจำนวนขั้นตอนที่ จำกัด

หลักฐานการลู่เข้าใช้โมเดลโซ่มาร์คอฟ

นี่คือการอ้างอิง: Dinabandhu Bhandari, CA Murthy: อัลกอริทึมทางพันธุกรรมพร้อมโมเดล Elitist และ Convergence IJPRAI 10 (6): 731-747 (1996)


6

แบบจำลองเชิงคณิตศาสตร์ของอัลกอริธึมทางพันธุกรรมที่มีประชากร จำกัด แต่ไม่มีการรวมกันเป็นกลุ่มเทอะทะและมีจนถึงตอนนี้ได้พิสูจน์แล้วว่าไม่สามารถวิเคราะห์ได้สำหรับทุกคน แต่ฟังก์ชั่นการออกกำลังกายที่สำคัญที่สุด ที่น่าสนใจถ้าคุณยินดีที่จะยอมรับการโต้แย้งแบบสมมาตรการโต้แย้งในคำอื่น ๆ ที่ไม่ได้อยู่ในขอบเขตของระบบสัจพจน์ที่เป็นทางการนั้นมีผลลัพธ์ที่น่าตื่นเต้นและสวยงามที่จะได้รับเกี่ยวกับพลังการคำนวณของอัลกอริทึมทางพันธุกรรม

โดยเฉพาะอัลกอริธึมทางพันธุกรรมที่มีครอสโอเวอร์สม่ำเสมอมีความสามารถในการประเมินพาร์ติชันสคีมาจำนวนมากโดยปริยายและแบบขนานและสามารถระบุพาร์ติชันที่มีสคีมาส่วนประกอบต่างกันอย่างมีประสิทธิภาพ รูปแบบของการขนานโดยนัยนี้มีประสิทธิภาพมากกว่าแบบที่อธิบายโดย John Holland และนักเรียนของเขาและไม่เหมือนกับการตีความขนานโดยนัยที่อธิบายโดย Holland สามารถตรวจสอบการทดลองได้ (ดูนี้โพสต์บล็อก.)

บทความต่อไปนี้อธิบายถึงวิธีอัลกอริธึมทางพันธุกรรมที่มีการข้ามเส้นขนานที่เท่าเทียมกันโดยนัยในการใช้งานทั่วๆไปการเพิ่มประสิทธิภาพทั่วโลกฮิวริสติกที่เรียกว่าhyperclimbing :

อธิบายการเพิ่มประสิทธิภาพในขั้นตอนวิธีทางพันธุกรรมกับครอสโอเวอร์เครื่องแบบ ที่จะปรากฏในการประชุมของมูลนิธิของขั้นตอนวิธีทางพันธุกรรม 2013

(ข้อจำกัดความรับผิดชอบ: ฉันเป็นผู้เขียนบทความ)


นี่เป็นวิธีที่ฉลาด / สร้างสรรค์ในการใช้ SAT แบบสุ่มเป็นเกณฑ์มาตรฐานสำหรับ GA และแสดงความคิดที่ดูเหมือนว่ามีเอกสารจำนวนน้อยที่สำรวจ สมมติว่า GA สามารถทำงานบนคลาสที่ซับซ้อนตามอำเภอใจได้และอาจเป็นวิธีการสร้างอัลกอริธึมในคลาสที่ซับซ้อน "สูงกว่า" ขึ้นอยู่กับผลลัพธ์ของอัลกอริทึมในคลาสที่ซับซ้อน "ต่ำกว่า" .... ในบางกรณี ทำให้รู้สึกถึงการวิเคราะห์ "ความซับซ้อน" ของ GAs เพราะพวกเขาอาจอยู่เหนือการจำแนกระดับความซับซ้อน ....
vzn

5

Raphael Cerfทำวิทยานิพนธ์ปริญญาเอกของเขาเกี่ยวกับอัลกอริทึมทางพันธุกรรมใน Montpellier ภายใต้การดูแลของ Alain Berlinet จากมุมมองทางคณิตศาสตร์ มันค่อนข้างเก่า แต่อาจเป็นของบรรณานุกรมเกี่ยวกับอัลกอริทึมทางพันธุกรรม

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.