Genetiske algoritmer

Genetiske algoritmer er heuristiske, stokastisk optimalisering metoder som er foreslått for første gang i 1975, Holland. De er basert på ideen om evolusjon ved naturlig utvalg, som tilbyr enda Darwin.

Genetiske algoritmer arbeider med en rekke enkeltpersoner, er at en befolkning der hver enkelt kan tjene som en løsning på et bestemt problem. Hvert individ må vurderes på graden av tilpasning, avhengig av hvor godt er den løsning som tilsvarer den. Hvis vi ser det i forhold til naturen, er det anslått virkningsgraden av kroppen under konkurransen om ressursene. Individer er mye mer tilpasset, kan reprodusere ved hjelp av kryss-avl med andre medlemmer av befolkningen. Dette fører til utseendet av nye arter, som kombinerer visse egenskaper som overføres som en arv fra foreldre.

Mindre tilpasset individer vil være i stand til å reprodusere avkom er mindre sannsynlig, slik at eiendommene de besitter, vil gradvis forsvinne i løpet av utviklingen av hele befolkningen. Noen ganger er det spontane endringer i gener eller mutasjoner. Det viser seg at de gode egenskapene fra generasjon til generasjon vil bli fordelt i hele befolkningen. Kryssing personer som er best egnet, som fører til det som er undersøkt søkesider som representerer den største fremtiden. Til slutt, er det løsningen. Genetiske algoritmer har den fordel av det faktum at det er en forholdsvis kort periode av tid tilnærmede løsninger, som er optimale. Det er verdt å vurdere spørsmålet om programmering.

Genetiske algoritmer er sammensatt av de følgende bestanddeler:

- kromosom som representerer en løsning på problemet under vurdering består av gener. Denne populasjonen av kromosomer anses primære;

- et sett av utsagn (designet for å generere nye løsninger på bakgrunn av ny befolkning);

- målfunksjonen (utformet for å evaluere egnetheten av oppløsninger).

For den genetiske algoritmen gir et standard sett med operatører: seleksjon, mutasjon og crossover. Det er mulig å vurdere bruk av genetiske algoritmer ved hjelp avklare hva hver enkelt operatør. Operatør utvalg velger kromosomer i samsvar med verdiene av treningsfunksjoner. Her er det presentert på minst to av de mest populære operatør: turnering og roulette. rulett metode innebærer utøvelse av valget av individer med n løper. For hvert medlem av den som anvendes i den ruletthjul populasjonen inneholder en sektor til den ønskede verdi. Medlemmer av befolkningen med en betydelig høyere rate av tilpasning i dette valget vil bli valgt oftere enn representantene som har lav fitness. Når metoden er implementert turneringen n Lag som tillater enkeltpersoner å velge n. Grunnlaget for hver hendelse lagt prøve k elementer av befolkningen, bør de beste prøven blant dem velges.

Hvis du fortsetter å vurdere programmering algoritmer, er det nødvendig å fortelle om en metode som kalles kryssing. krysset operatør utveksles mellom paret av deler av kromosomer eller kromosom i en populasjon.

Siste operatør - mutasjoner - den stokastiske variasjonen av kromosom.

Spesifikk hensyn til bruk av genetiske algoritmer gir et mer voluminøst materiale enn det som kan passe i papiret, så det bør vurderes separat.