Evrimsel algoritma - Evolutionary algorithm - Wikipedia

Bir dizinin parçası
Yapay zeka

İçinde Sayısal zeka (CI), bir evrimsel algoritma (EA) bir alt küme nın-nin evrimsel hesaplama,[1] genel popülasyon temelli metaheuristik optimizasyon algoritma. EA, aşağıdakilerden esinlenen mekanizmaları kullanır: biyolojik evrim, gibi üreme, mutasyon, rekombinasyon, ve seçim. Aday çözümler için optimizasyon sorunu bir popülasyondaki bireylerin rolünü oynamak ve Fitness fonksiyonu çözümlerin kalitesini belirler (ayrıca bkz. kayıp fonksiyonu ). Evrim Nüfusun% 'si daha sonra yukarıdaki operatörlerin tekrar tekrar uygulanmasından sonra gerçekleşir.

Evrimsel algoritmalar genellikle her türden soruna iyi bir yaklaşım getiren çözümler sunar çünkü ideal olarak temelde yatan şey hakkında herhangi bir varsayımda bulunmazlar. Fitness manzarası. Biyolojik evrimin modellenmesine uygulanan evrimsel algoritmalardan gelen teknikler, genellikle mikroevrimsel süreçler ve hücresel işlemlere dayalı planlama modelleri. EA'ların çoğu gerçek uygulamasında, hesaplama karmaşıklığı engelleyici bir faktördür.[2] Aslında, bu hesaplama karmaşıklığı, uygunluk işlevi değerlendirmesinden kaynaklanmaktadır. Fitness yaklaşımı bu zorluğun üstesinden gelmenin çözümlerinden biridir. Ancak, görünüşte basit EA genellikle karmaşık sorunları çözebilir;[kaynak belirtilmeli ] bu nedenle, algoritma karmaşıklığı ile problem karmaşıklığı arasında doğrudan bir bağlantı olmayabilir.

Uygulama

Aşağıdaki, genel bir tek amaç örneğidir genetik Algoritma.

Birinci Adım: Başlangıcı oluşturun nüfus nın-nin bireyler rastgele. (Birinci nesil)

İkinci Adım: Sonlandırılana kadar aşağıdaki rejenerasyon adımlarını tekrarlayın:

  1. Değerlendir Fitness popülasyondaki her bireyin (zaman sınırı, elde edilen yeterli uygunluk, vb.)
  2. İçin en uygun kişileri seçin üreme. (Ebeveynler)
  3. Doğurmak aracılığıyla yeni bireyler karşıdan karşıya geçmek ve mutasyon doğurma operasyonları yavru.
  4. Nüfusun en az uyum gösteren bireylerini yeni bireylerle değiştirin.

Türler

Benzer teknikler farklılık gösterir genetik temsil ve diğer uygulama ayrıntıları ve uygulanan belirli sorunun doğası.

  • Genetik Algoritma - Bu, en popüler EA türüdür. Bir problemin çözümünü sayı dizileri biçiminde arar (geleneksel olarak ikili, ancak en iyi temsiller genellikle çözülen problemle ilgili bir şeyi yansıtanlardır),[2] rekombinasyon ve mutasyon gibi operatörler uygulayarak (bazen bir, bazen ikisi birden). Bu tür EA genellikle optimizasyon sorunlar.
  • Genetik programlama - Burada çözümler bilgisayar programları biçimindedir ve uygunlukları bir hesaplama problemini çözme yetenekleriyle belirlenir.
  • Evrimsel programlama - Genetik programlamaya benzer, ancak programın yapısı sabittir ve sayısal parametrelerinin gelişmesine izin verilir.
  • Gen ifade programlama - Genetik programlama gibi, GEP de bilgisayar programlarını geliştirir, ancak farklı boyutlardaki bilgisayar programlarının sabit uzunluktaki doğrusal kromozomlarda kodlandığı bir genotip-fenotip sistemini araştırır.
  • Evrim stratejisi - Çözümlerin temsili olarak gerçek sayı vektörleriyle çalışır ve genellikle kendi kendine uyarlanabilir mutasyon oranlarını kullanır.
  • Diferansiyel evrim - Vektör farklılıklarına dayalıdır ve bu nedenle öncelikle aşağıdakiler için uygundur sayısal optimizasyon sorunlar.
  • Nöroevrim - Genetik programlamaya benzer ancak genomlar, yapı ve bağlantı ağırlıklarını tanımlayarak yapay sinir ağlarını temsil eder. Genom kodlaması doğrudan veya dolaylı olabilir.
  • Öğrenme sınıflandırıcı sistemi - Burada çözüm bir dizi sınıflandırıcıdır (kurallar veya koşullar). Bir Michigan-LCS, ayrı sınıflandırıcılar düzeyinde gelişirken, bir Pittsburgh-LCS sınıflandırıcı kümelerinin popülasyonlarını kullanır. Başlangıçta sınıflandırıcılar yalnızca ikiliydi, ancak şimdi gerçek, sinir ağı veya S-ifadesi türleri. Uygunluk, genellikle bir güç veya doğruluk temel alınarak belirlenir. pekiştirmeli öğrenme veya denetimli öğrenme yaklaşmak.

Biyolojik süreçlerle karşılaştırma

Olası bir sınırlama[kime göre? ] birçok evrimsel algoritmanın içinde net bir genotip-fenotip ayrımı. Doğada, döllenmiş yumurta hücresi olarak bilinen karmaşık bir süreçten geçmektedir. embriyojenez olgun olmak fenotip. Bu dolaylı kodlama genetik aramayı daha sağlam hale getirdiğine (yani ölümcül mutasyon olasılığını azalttığına) ve ayrıca evrilebilirlik organizmanın.[3][4] Bu tür dolaylı (a.k.a. üretici veya gelişimsel) kodlamalar, evrimin ortamdaki düzenlilikten yararlanmasını da sağlar.[5] Alanında son çalışmalar yapay embriyojen veya yapay gelişim sistemleri bu endişeleri gidermeye çalışır. Ve gen ifade programlama Genotipin sabit uzunlukta lineer multigenik kromozomlardan oluştuğu ve fenotipin birden fazla ifade ağacından veya farklı boyut ve şekillerde bilgisayar programlarından oluştuğu bir genotip-fenotip sistemini başarıyla araştırıyor.[6][yanlış sentez? ]

İlgili teknikler

Sürü algoritmaları[açıklama gerekli ] Dahil etmek

  • Karınca kolonisi optimizasyonu - Yollar oluşturmak için feromon iletişimi ile karınca yiyecek arama fikirlerine dayanarak. Öncelikle aşağıdakiler için uygundur kombinatoryal optimizasyon ve grafik sorunlar.
  • Koşucu-kök algoritması (RRA), koşucuların ve doğadaki bitki köklerinin işlevinden esinlenmiştir.[7]
  • Yapay arı kolonisi algoritması - Bal arısının yiyecek arama davranışına göre. Öncelikle sayısal optimizasyon için önerildi ve kombinatoryal, kısıtlı ve çok amaçlı optimizasyon problemlerini çözmek için genişletildi.
  • Arılar algoritması bal arılarının yiyecek arama davranışına dayanmaktadır. Yönlendirme ve çizelgeleme gibi birçok uygulamada uygulanmıştır.
  • Guguklu arama kara kara düşünen asalaklığından esinlenmiştir. guguk kuşu Türler. Ayrıca kullanır Lévy uçuşlar ve bu nedenle küresel için uygundur optimizasyon sorunlar.
  • Optimizasyonu seçin - En düşük elektrik direncine sahip elektrik devresi dallarından geçen elektron akışının davranışına dayanır.[8]
  • Parçacık sürüsü optimizasyonu - Hayvan sürülerinin davranışı fikirlerine dayanmaktadır. Ayrıca öncelikle aşağıdakiler için uygundur sayısal optimizasyon sorunlar.

Diğer nüfusa dayalı metaheuristik yöntemler

  • Avcılık Arama - Her biri diğerlerinin ve özellikle liderlerinin konumuna göre avın etrafını sarmak için konumlarını düzenleyen kurtlar gibi bazı hayvanların grup olarak avlanmasından esinlenen bir yöntem. Sürekli bir optimizasyon yöntemidir[9] kombinatoryal bir optimizasyon yöntemi olarak uyarlanmıştır.[10]
  • Uyarlanabilir boyutlu arama - Doğadan esinlenen meta-sezgisel tekniklerin aksine, uyarlanabilir bir boyutsal arama algoritması herhangi bir metaforu temel ilke olarak uygulamaz. Bunun yerine, her bir yinelemede arama boyutluluk oranı (SDR) parametresinin güncellenmesine dayanan basit bir performans odaklı yöntem kullanır.[11]
  • Ateşböceği algoritması ateş böceklerinin davranışlarından esinlenerek, yanıp sönen ışıkla birbirlerini çekiyor. Bu, özellikle çok modlu optimizasyon için kullanışlıdır.
  • Armoni araması - Müzisyenlerin daha iyi armoniler aramadaki davranışlarının fikirlerine dayanmaktadır. Bu algoritma, kombinatoryal optimizasyonun yanı sıra parametre optimizasyonu için uygundur.
  • Gauss uyarlaması - Bilgi teorisine dayalı. Üretim verimini maksimize etmek için kullanılır, ortalama fitness veya ortalama bilgi. Örneğin bakın Termodinamikte entropi ve bilgi teorisi.
  • Memetik algoritma - Esinlenen hibrit bir yöntem Richard dawkins Mem kavramı, genellikle yerel iyileştirmeleri gerçekleştirebilen bireysel öğrenme prosedürleriyle birleştirilmiş popülasyon temelli bir algoritma biçimini alır. Probleme özgü bilginin istismarını vurgular ve yerel ve küresel aramayı sinerjik bir şekilde düzenlemeye çalışır.

Örnekler

2020 yılında, Google AutoML-Zero'nun, sinir ağları kavramı gibi klasik algoritmaları başarılı bir şekilde yeniden keşfedebileceğini belirtti.[12]

Bilgisayar simülasyonları Tierra ve Avida modellemeye çalışmak makroevrimsel dinamikler.

Fotoğraf Galerisi

[13][14][15]

Referanslar

  1. ^ Vikhar, P.A. (2016). "Evrimsel algoritmalar: Kritik bir inceleme ve gelecekteki beklentileri". 2016 Uluslararası Sinyal İşleme, Bilgi Hesaplama ve İletişimde Küresel Eğilimler Konferansı Bildirileri (ICGTSPICC). Jalgaon: 261–265. doi:10.1109 / ICGTSPICC.2016.7955308. ISBN  978-1-5090-0467-6. S2CID  22100336.
  2. ^ a b Cohoon, J; et al. (2002-11-26). VLSI devrelerinin fiziksel tasarımı için evrimsel algoritmalar (PDF). Evrimsel Hesaplamadaki Gelişmeler: Teori ve Uygulamalar. Springer, s. 683-712, 2003. ISBN  978-3-540-43330-9.
  3. ^ G.S. Hornby ve J.B. Pollack. "Vücut-beyin evrimi için üretken bir temsile sahip üst düzey bileşenler yaratmak". Yapay yaşam, 8(3):223–246, 2002.
  4. ^ Jeff Clune, Benjamin Beckmann, Charles Ofria ve Robert Pennock. "HyperNEAT Generative Encoding ile Evrimleşen Eşgüdümlü Quadruped Gaits" Arşivlendi 2016-06-03 de Wayback Makinesi. IEEE Kongresi Evrimsel Hesaplama Özel Bölümü Evrimsel Robotik Bildiriler, 2009. Trondheim, Norveç.
  5. ^ J. Clune, C. Ofria ve R.T. Pennock, "Üretken kodlama, problem düzenliliği azaldıkça nasıl gelişir?", içinde PPSN (G. Rudolph, T. Jansen, S. M. Lucas, C. Poloni ve N. Beume, editörler), cilt. 5199 / Bilgisayar Bilimlerinde Ders Notları, s. 358–367, Springer, 2008.
  6. ^ Ferreira, C., 2001. "Gen İfadesi Programlama: Sorunları Çözmek İçin Yeni Bir Uyarlanabilir Algoritma". Karmaşık Sistemler, Cilt. 13, sayı 2: 87–129.
  7. ^ F. Merrikh-Bayat, "Koşucu-kök algoritması: Doğadaki bitkilerin koşucularından ve köklerinden esinlenen tek modlu ve çok modlu optimizasyon problemlerini çözmek için bir meta-sezgisel", Uygulamalı Yazılım Hesaplama, Cilt. 33, s. 292–303, 2015
  8. ^ Khalafallah Ahmed; Abdel-Raheem Mohamed (2011-05-01). "Electimize: İnşaat Mühendisliğinde Uygulama ile Optimizasyon için Yeni Evrimsel Algoritma". İnşaat Mühendisliğinde Hesaplama Dergisi. 25 (3): 192–201. doi:10.1061 / (ASCE) CP.1943-5487.0000080.
  9. ^ Oftadeh, R .; Mahjoob, M.J .; Shariatpanahi, M. (Ekim 2010). "Hayvanların grup olarak avlanmasından ilham alan yeni bir meta-sezgisel optimizasyon algoritması: Av araması". Uygulamalar İçeren Bilgisayarlar ve Matematik. 60 (7): 2087–2098. doi:10.1016 / j.camwa.2010.07.049.
  10. ^ Amine Agharghor; Muhammed Essaid Riffi (2017). "İkinci Dereceden Atama Problemi için Av Arama Algoritmasının İlk Uyarlaması". Bilgi ve İletişim Teknolojilerinde Avrupa ve MENA İşbirliği Gelişmeleri. Akıllı Sistemler ve Hesaplamadaki Gelişmeler. 520: 263–267. doi:10.1007/978-3-319-46568-5_27. ISBN  978-3-319-46567-8.
  11. ^ Hasançebi, O., Kazemzadeh Azad, S. (2015), "Adaptive Dimensional Search: A New A Metaeuristic Algorithm for Discrete Truss Sizeing Optimization", Bilgisayarlar ve Yapılar, 154, 1–16.
  12. ^ Gent, Edd (13 Nisan 2020). "Yapay zeka kendi kendine gelişiyor". Bilim | AAAS. Arşivlenen orijinal 16 Nisan 2020. Alındı 16 Nisan 2020.
  13. ^ Simionescu, P.A .; Beale, D.G .; Dozier, G.V. (2004). "Dağıtım algoritmalarının tahminini kullanarak kısıtlı optimizasyon problemi çözme" (PDF). Proc. 2004 Evrimsel Hesaplama Kongresi - CEC2004. Portland, OR: 1647–1653. doi:10.1109 / CEC.2006.1688506. S2CID  1717817. Alındı 7 Ocak 2017. Alıntı dergisi gerektirir | günlük = (Yardım)
  14. ^ Simionescu, P.A .; Dozier, G.V .; Wainwright, R.L. (2006). "Kısıtlı Optimizasyon Sorunları için İki Popülasyonlu Evrimsel Algoritma" (PDF). 2006 IEEE Uluslararası Evrimsel Hesaplama Konferansı. Proc 2006 IEEE Uluslararası Evrimsel Hesaplama Konferansı. Vancouver, Kanada. s. 1647–1653. doi:10.1109 / CEC.2006.1688506. ISBN  0-7803-9487-9. S2CID  1717817. Alındı 7 Ocak 2017.
  15. ^ Simionescu, P.A. (2014). AutoCAD Kullanıcıları için Bilgisayar Destekli Grafik ve Simülasyon Araçları (1. baskı). Boca Raton, FL: CRC Basın. ISBN  978-1-4822-5290-3.

Dış bağlantılar

Kaynakça