Tartalomjegyzék:
Meghatározás - Mit jelent a genetikai algoritmus?
A genetikai algoritmus egy heurisztikus keresési módszer, amelyet a mesterséges intelligencia és a számítástechnika területén használnak. Optimális megoldások keresésére használják a természetes szelekció elmélete és az evolúciós biológia alapú problémák keresésére. A genetikai algoritmusok kiválóan alkalmasak nagy és összetett adathalmazok közötti keresésre. Úgy ítélik meg, hogy képesek ésszerű megoldásokat találni az összetett kérdésekre, mivel rendkívül képesek a nem korlátozott és korlátozott optimalizálási kérdések megoldására.
A Techopedia magyarázza a genetikai algoritmust
A genetikai algoritmus az evolúciós biológiából inspirált technikákat, például szelekciót, mutációt, öröklődést és rekombinációt alkalmaz a probléma megoldására. A genetikai algoritmusokban a leggyakrabban alkalmazott módszer az, hogy egy adott populációból véletlenszerűen hozzon létre egy egyéni csoportot. Az így kialakult egyéneket a programozó által biztosított értékelési funkció segítségével értékelik. Az egyéneknek ezután pontszámot kapnak, amely közvetetten kiemeli az adott helyzethez való alkalmazkodást. A két legjobb egyént ezután egy vagy több utód létrehozására használják, majd véletlenszerű mutációkat végeznek az utódokon. Az alkalmazás igényeitől függően az eljárást addig folytatják, amíg elfogadható megoldást nem találnak, vagy amíg bizonyos számú generáció el nem telik.
A genetikai algoritmus kétféleképpen különbözik a klasszikus, derivatív alapú optimalizálási algoritmustól:
- A genetikai algoritmus pontok populációját generálja minden iterációban, míg a klasszikus algoritmus egyetlen pontot generál minden iterációnál.
- Egy genetikai algoritmus véletlenszám-generátorok segítségével történő kiszámítás útján választja ki a következő populációt, míg a klasszikus algoritmus determinisztikus számítás segítségével választja ki a következő pontot.
A hagyományos mesterséges intelligenciához képest a genetikai algoritmus számos előnyt kínál. Ez robusztusabb, és érzékeny a meghibásodásokra a bemenetek kis változása vagy a zaj jelenléte miatt. Más olyan optimalizálási módszerekkel, mint a gyakorlat, a lineáris programozás, a heurisztikus, az első vagy a szélesség-első szempontjából, a genetikai algoritmus jobb és jelentősebb eredményeket tud nyújtani nagy multimodális állapotterek, nagy állapotterek vagy n-dimenziós felületek keresése közben.
A genetikai algoritmusokat számos területen széles körben alkalmazzák, például a robotikában, az autótervezésben, az optimalizált távközlési útvonaltervezésben, a mérnöki tervezésben és a számítógépes molekuláris tervezésben.
