Введение
Эволюционные вычисления — это метод поиска и оптимизации, основанный на дарвиновском принципе естественного отбора. Он часто используется для поиска оптимальных или близких к оптимальным решений.
В дарвиновском принципе естественного отбора есть ли виды, способные воспроизводить своих потомков, наследовать их черты и своих предков с некоторыми вариациями. Окружающая среда не могла поддерживать всех членов растущего населения. Члены с менее адаптивными шагами вымрут, а другие выживут.
Закон Дарвина о естественном отборе
- В каждом поколении рождается больше особей, способных выжить.
- Изменчивость фенотипа существует среди людей, и эта изменчивость передается по наследству.
- Те особи с наследственными чертами, которые лучше приспособлены к окружающей среде, выживут.
- Когда происходит репродуктивная изоляция, образуются новые виды.
Таковы основные принципы эволюции путем естественного отбора, определенные Дарвином.
Пример использования эволюционных вычислений
Алгоритмы машинного обучения в основном предназначены для разработки модели знаний или артефактов, которые могут генерировать интеллектуальные функции. Алгоритмы машинного обучения можно разделить на три основные категории.
- Подходы, ориентированные на данные (нейронные сети)
- Подходы на основе правил (экспертные системы)
- Математические подходы (нечеткая логика)
Алгоритмы машинного обучения в основном занимаются классификацией, воссозданием и прогнозированием. Эти подходы не могут найти оптимальное решение для данной проблемы. (Найти глобальный максимум или глобальный минимум). Математические подходы используются для нахождения глобального максимума или минимума заданной функции. В этих подходах нужно знать функцию, а функция должна быть дифференцируемой. Когда эти соображения не удовлетворяются, эволюционные вычисления используются для достижения глобального максимума или минимума. Эволюционные вычисления подпадают под машинное обучение как метод оптимизации, ориентированный на данные.
Эволюционная концепция
Возьмем распространение болезни по всему миру. Есть представители населения, которые могли столкнуться с проблемой и выжить, а некоторые не смогли справиться с проблемой. Они вымирают. Если болезнь — это функция, а люди, которые умирают, — плохое решение проблемы. Люди, которые выживают после заражения, частично решают проблему (эти члены имеют генетические особенности, чтобы выжить). И участники, которые не заразились после того, как столкнутся с болезнью, также являются решением проблемы. Мы можем предположить, что у этих представителей есть некоторые генетические особенности для решения этой проблемы. Как только выжившая популяция начинает воспроизводить потомство, некоторые из этих потомков имеют более высокие шансы успешно справиться с болезнью.
Затем это поколение сталкивается с проблемой, и члены, которые могут выжить, снова создают потомство. У этих потомков больше шансов столкнуться с проблемой. После некоторых уровней большинство членов популяции имеют генетические особенности, чтобы противостоять проблеме (болезни). Весь этот процесс известен как оценка населения по отношению к проблеме.
Генетические алгоритмы
Генетические алгоритмы начинаются с определения начальной популяции. Эта популяция является некоторым решением данной задачи (согласно предыдущему примеру проблема — болезнь). После этого каждое решение кодируется в хромосомы. Хромосомы состоят из генов. Каждый ген кодирует определенный признак. Затем задайте фитнес-функцию. После определения функции пригодности вычисляется пригодность каждого решения. Решения с более высокими значениями пригодности являются лучшими решениями проблемы. Затем выбираются решения с наибольшим значением, чтобы произвести их потомство. Наконец, эти популяции заменяют исходную популяцию. Этот процесс повторяется до тех пор, пока не будут соблюдены критерии остановки.
кроссовер
С точки зрения биологии кроссовер есть не что иное, как размножение. Здесь объединяют генетические материалы выбранных родительских хромосом для получения потомства.
Кроссовер в одной точке: выберите случайную точку кроссовера, и хвосты обеих хромосом поменяются местами, чтобы получить новое потомство.
Многоточечный кроссовер — две или более точек пересечения.
Мутация
Во время их роста в генах детей происходят некоторые изменения, которые отличают их от своих родителей.
Полученные таким образом потомки снова проверяются с помощью нашей функции пригодности, и, если они считаются подходящими, они заменяют менее подходящие хромосомы из популяции.
Но вопрос в том, как мы узнаем, что достигли наилучшего возможного решения?
Таким образом, в основном существуют разные условия прекращения, которые перечислены ниже:
- Нет улучшения популяции для более чем x итераций.
- Мы уже предопределили абсолютное число поколений для нашего алгоритма.
- Когда наша фитнес-функция достигает заданного значения.
Я думаю, вы получили общее представление о генетических алгоритмах.
