Oversigt over genetisk algoritme
Optimeringsteknikker er de teknikker, der bruges til at finde den bedste løsning ud af alle mulige løsninger, der er tilgængelige under de nuværende begrænsninger. Så den genetiske algoritme er en sådan optimeringsalgoritme, der er bygget på grundlag af den naturlige evolutionære proces i vores natur. Ideen om naturlig selektion og genetisk arv bruges her. Den bruger guidet tilfældig søgning, i modsætning til andre algoritmer, dvs. at finde den optimale løsning ved at starte med en tilfældig startomkostningsfunktion og derefter kun søge i det rum, der havde mindst omkostninger (i den styrede retning). Velegnet, når du arbejder med enorme og komplekse datasæt.
Hvad er en genetisk algoritme?
Den genetiske algoritme er baseret på den genetiske struktur og opførsel af befolkningens kromosom. Følgende ting er grundlaget for genetiske algoritmer.
- Hvert kromosom angiver en mulig løsning. Befolkningen er således en samling af kromosomer.
- Hvert individ i befolkningen er kendetegnet ved en fitness-funktion. Større kondition bedre er løsningen.
- Ud af de tilgængelige individer i befolkningen bruges de bedste individer til reproduktion af den næste generations afkom.
- Det producerede afkom har træk ved begge forældre og er et resultat af mutation. En mutation er en lille ændring i genstrukturen.
Faser af genetisk algoritme
Nedenfor er de forskellige faser af den genetiske algoritme:
1. Initialisering af befolkning (kodning)
- Hvert gen repræsenterer en parameter (variabler) i opløsningen. Denne samling af parametre, der danner løsningen, er kromosomet. Befolkningen er en samling af kromosomer.
- Gener af rækkefølge på kromosomområdet.
- Det meste af tiden er kromosomer afbildet i binær som 0'er og 1'er, men der er også andre kodninger mulige.
2. Fitness-funktion
- Ud af de tilgængelige kromosomer er vi nødt til at vælge de bedste til reproduktion af afkom, så hvert kromosom får en egnethedsværdi.
- Træningsresultatet hjælper med at vælge de personer, der skal bruges til reproduktion.
3. Valg
- Hovedmålet med denne fase er at finde det område, hvor chancerne for at få den bedste løsning er mere.
- Inspiration hertil kommer fra de mest overlevende.
- Det bør være en balance mellem udforskning og udnyttelse af søgepladsen.
- GA forsøger at flytte genotypen til højere egnethed i søgerummet.
- For stærk bias for valg af fitness kan føre til suboptimale løsninger.
- For lille valg af fitness bias resulterer i ufokuseret søgning.
- Således anvendes fitness-proportional selektion, der også kaldes valg af roulettehjul, en genetisk operatør, der anvendes i genetiske algoritmer til valg af potentielt nyttige løsninger til rekombination.
4. Reproduktion
Generering af afkom sker på to måder:
- Crossover
- mutation
a) Crossover
Crossover er den mest vitale fase i den genetiske algoritme. Under crossover vælges et tilfældigt punkt, mens der parres et par forældre for at generere afkom.
Der er 3 hovedtyper af crossover.
- Enkeltpunktsovergang: Et punkt på begge forældres kromosomer vælges tilfældigt og betegnes som et 'krydsningspunkt'. Bit til højre for dette punkt udveksles mellem de to overordnede kromosomer.
- To-point crossover: To crossover-point vælges tilfældigt fra forældrekromosomerne. Bitene mellem de to punkter udveksles mellem de overordnede organismer.
- Ensartet crossover: I en ensartet crossover vælges typisk hver bit fra hver af forældrene med lige sandsynlighed.
De nye afkom føjes til befolkningen.
b) Mutation
I et par nye afkom dannet kan nogle af deres gener udsættes for en mutation med en lav tilfældig sandsynlighed. Dette indikerer, at nogle af bitene i bitkromosomet kan vendes. Mutation sker for at tage sig af mangfoldighed blandt befolkningen og stoppe for tidligt konvergens.
5. Konvergens (hvornår man skal stoppe)
Få regler, der følges, som fortæller, hvornår man skal stoppe, er som følger:
- Når der ikke er nogen forbedring i løsningskvaliteten efter at have afsluttet et vist antal generationer, der er sat på forhånd.
- Når en hård og hurtig række af generationer og tid er nået.
- Indtil der opnås en acceptabel opløsning.
Anvendelse af genetisk algoritme
I dette afsnit diskuterer vi nogle af de områder, hvor den genetiske algoritme ofte anvendes.
1. Rejse- og forsendelsesvej
Rejsende sælgerproblem er en af de vigtigste anvendelser af den genetiske algoritme. Når en turplanlægger f.eks. Bliver bedt om at planlægge en tur, ville han tage hjælp af en genetisk algoritme, som ikke kun hjælper med at reducere de samlede udgifter til turen, men også til at reducere tiden.GE bruges også til planlægning af leveringen af produkter fra sted til sted på den mest effektive måde.
2. Robotik
Den genetiske algoritme er vidt brugt inden for robotik. Robotter adskiller sig fra hinanden med det formål, de er bygget til. For eksempel er få bygget til en madlavningsopgave, få er bygget til undervisningsopgaver osv.
- Valg af vigtige funktioner i det givne datasæt.
- I den traditionelle metode vælges de vigtige funktioner i datasættet ved hjælp af følgende metode. dvs. du ser på vigtigheden af denne model, derefter indstiller en tærskelværdi for funktionerne, og hvis funktionen har vigtighedsværdi mere end en tærskel, overvejes den.
- Men her bruger vi en metode, der kaldes en rygsækproblem.
- Vi starter igen med populationen af et kromosom, hvor hvert kromosom vil være binær streng. 1 betegner funktionen "inkludering" i modellen, og 0 angiver funktionen "ekskludering" i modellen.
- Fitnessfunktionen her vil være vores nøjagtighedsmetrik for konkurrencen. Jo mere nøjagtigt vores sæt af kromosomer når det gælder om at forudsige værdi, jo mere passende vil det være.
- Der er mange andre anvendelser af genetiske algoritmer som DNA-analyse, planlægningsapplikationer, Ingeniørdesign.
Konklusion
I det aktuelle scenarie bruges GE i store fremstillingsvirksomheder som fly osv. For at optimere tids- og ressourceforbruget. Yderligere forskere arbejder på at finde nye måder at kombinere genetiske algoritmer med andre optimeringsteknikker.
Anbefalede artikler
Dette er en guide til Hvad er genetisk algoritme? Her diskuterer vi introduktion, faser og anvendelser af genetisk algoritme. Du kan også gennemgå vores andre foreslåede artikler -
- Routing-algoritmer
- Typer af algoritmer
- Neurale netværksalgoritmer
- Dataindvindingsalgoritmer
- vejledning til C ++ algoritmeeksempler