Un algorisme genètic és un algorisme de cerca heurístic adaptatiu inspirat en la 'teoria de l'evolució de Darwin a la natura'. .' S'utilitza per resoldre problemes d'optimització en l'aprenentatge automàtic. És un dels algorismes importants, ja que ajuda a resoldre problemes complexos que trigarien molt de temps a resoldre.

Els algorismes genètics s'estan utilitzant àmpliament en diferents aplicacions del món real, per exemple, Disseny de circuits electrònics, trencament de codi, processament d'imatges i creativitat artificial.

En aquest tema, explicarem detalladament l'algorisme genètic, incloent terminologies bàsiques utilitzades en algorisme genètic, com funciona, avantatges i limitacions de l'algorisme genètic, etc.

llista ordenar java

Què és un algorisme genètic?

Abans d'entendre l'algorisme genètic, primer entenem les terminologies bàsiques per entendre millor aquest algorisme:

Població:La població és el subconjunt de totes les solucions possibles o probables, que poden resoldre el problema donat.Cromosomes:Un cromosoma és una de les solucions de la població per al problema donat, i la col·lecció de gens genera un cromosoma.Gen:Un cromosoma es divideix en un gen diferent, o és un element del cromosoma.Al·lels:L'al·lel és el valor proporcionat al gen dins d'un cromosoma determinat.Funció de fitness:La funció de condició física s'utilitza per determinar el nivell de condició física de l'individu a la població. Significa la capacitat d'un individu per competir amb altres individus. En cada iteració, els individus són avaluats en funció de la seva funció física.Operadors genètics:En un algorisme genètic, la millor parella individual per regenerar la descendència millor que els pares. Aquí els operadors genètics juguen un paper en el canvi de la composició genètica de la propera generació.Selecció

Després de calcular l'aptitud de tots els existents a la població, s'utilitza un procés de selecció per determinar quina de les individualitats de la població es reproduirà i produirà la llavor que formarà la generació vinent.

Tipus d'estils de selecció disponibles

Selecció de la ruleta Selecció d'esdeveniments Selecció basada en rangs

Per tant, ara podem definir un algorisme genètic com un algorisme de cerca heurístic per resoldre problemes d'optimització. És un subconjunt d'algorismes evolutius, que s'utilitza en informàtica. Un algorisme genètic utilitza conceptes genètics i de selecció natural per resoldre problemes d'optimització.

Com funciona l'algoritme genètic?

L'algorisme genètic treballa en el cicle generacional evolutiu per generar solucions d'alta qualitat. Aquests algorismes utilitzen diferents operacions que milloren o substitueixen la població per oferir una solució d'ajust millorada.

Bàsicament implica cinc fases per resoldre els complexos problemes d'optimització, que es detallen a continuació:

Inicialització Tasca de fitness Selecció Reproducció Terminació

1. Inicialització

El procés d'un algorisme genètic comença generant el conjunt d'individus, que s'anomena població. Aquí cada individu és la solució per al problema donat. Un individu conté o es caracteritza per un conjunt de paràmetres anomenats gens. Els gens es combinen en una cadena i generen cromosomes, que és la solució al problema. Una de les tècniques més populars per a la inicialització és l'ús de cadenes binàries aleatòries.

mysql no és igual

2. Tasca de fitness

La funció de fitness s'utilitza per determinar fins a quin punt està un individu? Significa la capacitat d'un individu per competir amb altres individus. En cada iteració, els individus són avaluats en funció de la seva funció física. La funció de fitness proporciona una puntuació de fitness a cada individu. Aquesta puntuació determina a més la probabilitat de ser seleccionat per a la reproducció. Com més alta sigui la puntuació de forma física, més possibilitats de ser seleccionat per a la reproducció.

3. Selecció

La fase de selecció implica la selecció d'individus per a la reproducció de la descendència. A continuació, tots els individus seleccionats es disposen en un parell de dos per augmentar la reproducció. Aleshores, aquests individus transfereixen els seus gens a la següent generació.

Hi ha tres tipus de mètodes de selecció disponibles, que són:

• Selecció de la ruleta
• Selecció del torneig
• Selecció basada en rangs

4. Reproducció

Després del procés de selecció, en l'etapa de reproducció es produeix la creació d'un nen. En aquest pas, l'algoritme genètic utilitza dos operadors de variació que s'apliquen a la població mare. A continuació es detallen els dos operadors implicats en la fase de reproducció:

Crossover:El crossover té un paper molt important en la fase de reproducció de l'algorisme genètic. En aquest procés, es selecciona un punt d'encreuament a l'atzar dins dels gens. Aleshores, l'operador d'encreuament intercanvia la informació genètica de dos pares de la generació actual per produir un nou individu que representi la descendència.

Els gens dels pares s'intercanvien entre ells fins que es compleix el punt d'encreuament. Aquestes cries de nova generació s'afegeixen a la població. Aquest procés també s'anomena o crossover. Tipus d'estils de creuament disponibles:
• Encreuament d'un punt
• Encreuament de dos punts
• Crossover de lliurea
• Encreuament d'algoritmes heretables
Mutació
L'operador de la mutació insereix gens aleatoris a la descendència (nou fill) per mantenir la diversitat de la població. Es pot fer girant alguns fragments dels cromosomes.
La mutació ajuda a resoldre el problema de la convergència prematura i millora la diversificació. La imatge següent mostra el procés de mutació:
Tipus d'estils de mutació disponibles,

diccionari c#

Mutació Flip Bit Mutació gaussiana Mutació d'intercanvi/intercanvi

5. Termini

Després de la fase de reproducció, s'aplica un criteri d'aturada com a base per a la terminació. L'algorisme s'acaba quan s'ha arribat a la solució d'aptitud llindar. Identificarà la solució final com la millor solució a la població.

Flux de treball general d'un algorisme genètic simple

Avantatges de l'algoritme genètic

• Les capacitats paral·leles dels algorismes genètics són les millors.
• Ajuda a optimitzar diversos problemes, com ara funcions discretes, problemes multiobjectiu i funcions contínues.
• Proporciona una solució a un problema que millora amb el temps.
• Un algorisme genètic no necessita informació derivada.

Limitacions dels algorismes genètics

• Els algorismes genètics no són algorismes eficients per resoldre problemes senzills.
• No garanteix la qualitat de la solució final a un problema.
• El càlcul repetitiu dels valors d'aptitud pot generar alguns reptes computacionals.

Diferència entre algorismes genètics i algorismes tradicionals

• Un espai de cerca és el conjunt de totes les solucions possibles al problema. En l'algorisme tradicional, només es manté un conjunt de solucions, mentre que, en un algorisme genètic, es poden utilitzar diversos conjunts de solucions a l'espai de cerca.
• Els algorismes tradicionals necessiten més informació per realitzar una cerca, mentre que els algorismes genètics només necessiten una funció objectiva per calcular l'aptitud d'un individu.
• Els algorismes tradicionals no poden funcionar paral·lelament, mentre que els algorismes genètics poden funcionar paral·lelament (el càlcul de l'aptitud de les individualitats és independent).
• Una gran diferència en els algorismes genètics és que, en lloc d'operar directament sobre els resultats del cercador, els algorismes heretables operen amb les seves representacions (o representacions), sovint pertanyents a cromosomes.
• Una de les grans diferències entre l'algoritme tradicional i l'algorisme genètic és que no opera directament amb solucions candidates.
• Els algorismes tradicionals només poden generar un resultat al final, mentre que els algorismes genètics poden generar múltiples resultats òptims de diferents generacions.
• L'algoritme tradicional no té més probabilitats de generar resultats òptims, mentre que els algorismes genètics no garanteixen la generació de resultats globals òptims, però també hi ha una gran possibilitat d'aconseguir el resultat òptim per a un problema, ja que utilitza operadors genètics com ara Crossover i Mutation.
• Els algorismes tradicionals són de naturalesa determinista, mentre que els algorismes genètics són de naturalesa probabilística i estocàstica.