Katika uwanja wa akili bandia, algoriti ya mageuzi (EA) ni seti ndogo ya hesabu za jumla za idadi ya watu kulingana na uboreshaji wa metaheuristic. EA hutumia mbinu zinazochochewa na maendeleo ya kibiolojia kama vile uzazi, mabadiliko, ujumuishaji upya na uteuzi. Suluhisho la mgombea katika shida ya algorithms ya uboreshaji wa mageuzi ina jukumu la watu binafsi katika idadi ya watu. Na pia kipengele cha siha huamua ubora wa majibu.
Algoriti za mageuzi mara nyingi hukadiria suluhu za aina zote za matatizo vizuri. Kwa sababu kwa hakika hawafanyi mawazo yoyote kuhusu mazingira ya usawa wa mwili. Mbinu zinazotumiwa kwa uundaji wa uundaji wa mageuzi na algoriti za kijeni kwa kawaida hupunguzwa kwa masomo ya michakato ya mabadiliko madogo na miundo ya kupanga kulingana na hatua za seli. Katika programu nyingi halisi za EA, uchangamano wa hesabu ni jambo linalozuia.
Kwa kwelisuala hili linahusiana na makadirio ya utendaji wa usawa. Ukadiriaji wa usawa ni suluhisho moja la kushinda ugumu huu. Walakini, EA inayoonekana kuwa rahisi inaweza kutatua shida ngumu mara nyingi. Kwa hiyo, hawezi kuwa na uhusiano wa moja kwa moja kati ya utata wa mlolongo na tatizo. Maelezo zaidi yanaweza kupatikana katika vitabu vya "Evolutionary Algorithms".
Utekelezaji
Hatua ya kwanza ni kuunda idadi ya awali ya watu binafsi bila mpangilio.
Hatua ya pili ni kutathmini kufaa kwa kila mtu katika kikundi hiki (kikomo cha muda, maandalizi ya kutosha, n.k.).
Hatua ya tatu - kurudia hatua zifuatazo za uundaji upya hadi ukamilishe:
- Chagua watu wanaofaa zaidi kwa ufugaji (wazazi).
- Leta watu wapya ambao wamepitisha kanuni ya mageuzi kwa kutumia mabadiliko na mabadiliko ili kupata watoto.
- Tathmini usawa wa kibinafsi wa watu wapya.
- Badilisha idadi ya watu wanaostahiki zaidi nao.
Aina
Algorithm ya Jenetiki ni mfuatano wa mageuzi, aina maarufu zaidi ya Mshauri wa Kitaalam. Suluhisho la tatizo hutafutwa kwa njia ya mifuatano ya nambari (kijadi ya binary, ingawa uwasilishaji bora zaidi kawaida ni wale ambao huakisi zaidi katika shida inayotatuliwa) kwa kutumia waendeshaji kama vile ujumuishaji upya na mabadiliko (wakati mwingine moja, katika hali zingine zote mbili.) Aina hii ya Mshauri wa Mtaalam mara nyingi hutumiwa katika matatizo ya uboreshaji. Jina lingine la hii ni fetusi (kutoka kwa Kilatini kwa "kuzaliwa"):
- Upangaji wa urithi. Inatoa suluhu kama misimbo ya kompyuta, na ufaafu wao unabainishwa na uwezo wao wa kufanya kazi za kimahesabu.
- Programu za mageuzi. Sawa na algoriti ya kijeni ya mabadiliko, lakini muundo umewekwa na vigezo vyake vya nambari vinaweza kubadilika.
- Kielelezo cha jeni cha kupanga. Hutengeneza programu za kompyuta, lakini huchunguza mfumo wa genotype-phenotype, ambapo miradi ya ukubwa tofauti husimbwa kwenye kromosomu za mstari wa urefu usiobadilika.
- Mkakati. Inafanya kazi na vekta za nambari halisi kama uwakilishi wa suluhisho. Kwa kawaida hutumia kanuni za viwango vya mabadiliko vinavyojirekebisha.
- Maendeleo tofauti. Kulingana na tofauti za vekta na kwa hivyo inafaa zaidi kwa shida za uboreshaji wa nambari.
- Mageuzi ya Neuro. Sawa na programu ya mageuzi na kanuni za kijeni. Lakini mwisho ni mitandao ya neural ya bandia, inayoelezea muundo na uzito wa viunganisho. Usimbaji wa jenomu unaweza kuwa wa moja kwa moja au usio wa moja kwa moja.
Ulinganisho na michakato ya kibiolojia
Kizuizi kinachowezekana cha algoriti nyingi za mageuzi ni ukosefu wa tofauti ya wazi kati ya aina ya jeni na phenotype. Kwa asili, yai lililorutubishwa hupitia mchakato mgumu unaojulikana kama embryogenesis ili kukomaa. Usimbaji huu usio wa moja kwa moja unafikiriwa kufanya utafutaji wa kijeni kuaminika zaidi (yaani, uwezekano mdogo wa kusababisha mabadiliko mabaya) na pia unaweza kuboresha uwezo wa kiumbe kukua. Vile visivyo vya moja kwa moja (kwa maneno mengine,usimbaji wa kuzalisha au wa ukuzaji) pia huruhusu mageuzi kutumia utaratibu katika mazingira.
Kazi ya hivi majuzi katika mfumo wa uundaji wa kiinitete au mifumo ya ukuzaji inalenga kutatua masuala haya. Wakati wa kupanga usemi wa jeni, eneo la genotype-phenotipu huchunguzwa kwa mafanikio, ambapo la kwanza lina kromosomu za jeni nyingi zenye urefu usiobadilika, na la pili kati ya miti mingi ya kujieleza au programu za kompyuta za ukubwa na maumbo mbalimbali.
mbinu zinazohusiana
Algoriti ni pamoja na:
- Uboreshaji wa kundi la mchwa. Inategemea wazo kwamba wadudu hutafuta chakula kwa kuunganishwa na pheromones kuunda njia. Inafaa kimsingi kwa uboreshaji mseto na matatizo ya grafu.
- Algorithm ya kitelezi cha mizizi. Muundaji alitiwa moyo na utendaji kazi wa mizizi ya mimea katika asili.
- Algorithm ya makundi ya nyuki bandia. Kulingana na tabia ya nyuki wa asali. Inapendekezwa kimsingi kwa uboreshaji wa nambari na kupanuliwa ili kutatua shida za mchanganyiko, zilizo na mipaka, na malengo anuwai. Algorithm ya nyuki inategemea tabia ya lishe ya wadudu. Imetumika katika programu nyingi kama vile kuelekeza na kuratibu.
- Uboreshaji wa chembe - kulingana na mawazo ya tabia ya kundi la wanyama. Na pia zinafaa kwa kazi za mchakato wa nambari.
Njia zingine maarufu za metaheuristic
- Utafutaji wa kuwinda. Njia ya msingi ya kukamata kundi la wanyama fulani, kama vile mbwa mwitu, kwa mfano, ambayokusambaza majukumu yao kuzunguka mawindo. Kila mmoja wa washiriki wa algorithm ya mageuzi inahusiana na wengine kwa njia fulani. Hii ni kweli hasa kwa kiongozi. Hii ni mbinu endelevu ya uboreshaji iliyochukuliwa kama mbinu ya ujumuishaji.
- Tafuta kwa vipimo. Tofauti na mbinu za metaheuristic zenye msingi wa asili, algorithm ya mchakato wa kubadilika haitumii sitiari kama kanuni yake kuu. Badala yake, hutumia mbinu rahisi inayolenga utendakazi kulingana na kusasisha kigezo cha uwiano wa mwelekeo wa utafutaji katika kila marudio. Kanuni ya kanuni ya Firefly imechochewa na jinsi vimulimuli huvutiana kwa mwanga wao unaomulika. Hii ni muhimu sana kwa uboreshaji wa modi nyingi.
- Tafuta maelewano. Kulingana na mawazo ya tabia ya wanamuziki. Katika hali hii, algoriti za mageuzi ndiyo njia ya kwenda kwa uboreshaji wa pamoja.
- Marekebisho ya Gaussian. Kulingana na nadharia ya habari. Inatumika kuongeza utendaji na upatikanaji wa wastani. Mfano wa algoriti za mageuzi katika hali hii: entropy katika thermodynamics na nadharia ya habari.
Memetiki
Mbinu mseto kulingana na wazo la Richard Dawkins la meme. Kwa kawaida huchukua muundo wa algoriti kulingana na idadi ya watu pamoja na taratibu za kujifunza za mtu binafsi zenye uwezo wa kufanya uboreshaji wa ndani. Inasisitiza matumizi ya maarifa mahususi ya tatizo na majaribio ya kupanga utafutaji ulioboreshwa na wa kimataifa kwa njia ya ushirikiano.
Mageuzialgoriti ni mbinu ya kiheuristic ya matatizo ambayo hayawezi kutatuliwa kwa urahisi kwa wakati wa polynomial, kama vile matatizo ya kawaida ya NP-hard na kitu kingine chochote ambacho kitachukua muda mrefu sana kusindika. Inapotumiwa kwa kujitegemea, kawaida hutumiwa kwa matatizo ya kuchanganya. Hata hivyo, kanuni za kijeni mara nyingi hutumika sanjari na mbinu nyingine, zikifanya kazi kama njia ya haraka ya kupata sehemu nyingi bora za kuanzia za kufanya kazi nazo.
Kazi ya kanuni ya mageuzi (inayojulikana kama mshauri) ni rahisi sana ikizingatiwa kuwa unajua mchakato wa uteuzi asilia. Ina hatua nne kuu:
- uanzishaji;
- chaguo;
- waendeshaji maumbile;
- mwisho.
Kila moja ya hatua hizi inakaribiana na kipengele fulani cha uteuzi asilia na hutoa njia rahisi za kurekebisha aina hiyo ya algoriti. Kwa ufupi, katika EA, wanachama wanaofaa zaidi watasalia na kuzaliana, ilhali washiriki wasiofaa watakufa na hawatachangia mkusanyiko wa jeni wa kizazi kijacho.
Uanzishaji
Ili kuanza kanuni, lazima kwanza uunde seti ya suluhu. Idadi ya watu itakuwa na idadi kiholela ya taarifa za tatizo zinazowezekana, ambazo mara nyingi hujulikana kama wanachama. Mara nyingi hutolewa kwa nasibu (ndani ya vikwazo vya kazi) au, ikiwa ujuzi fulani wa awali unajulikana, huzingatia kwa uangalifu kile kinachochukuliwa kuwa bora. Ni muhimu kwamba idadi ya watu inashughulikia anuwai ya suluhisho,kwa sababu kimsingi ni mkusanyiko wa jeni. Kwa hivyo, ikiwa mtu anataka kuchunguza uwezekano mwingi tofauti ndani ya algoriti, anapaswa kujitahidi kuwa na jeni nyingi tofauti.
Chaguo
Baada ya idadi ya watu kuundwa, wanachama wake lazima sasa watathminiwe kulingana na utendaji wa siha. Kitendakazi cha siha huchukua sifa za mwanachama na kutoa uwakilishi wa nambari jinsi mwanachama anavyofaa. Kuwajenga mara nyingi inaweza kuwa vigumu sana. Ni muhimu kupata mfumo mzuri unaowakilisha data kwa usahihi. Hii ni maalum sana kwa tatizo. Sasa ni muhimu kukokotoa ufaafu wa washiriki wote na kuchagua baadhi ya wanachama bora zaidi.
Vitendaji vya malengo mengi
EAs pia zinaweza kuongezwa ili kutumia mifumo hii. Hii inachanganya mchakato kwa kiasi fulani, kwa sababu badala ya kutambua hatua moja bora, seti hupatikana wakati wa kuzitumia. Seti ya suluhu inaitwa mpaka wa Pareto na ina vipengele ambavyo vinafaa sawa kwa maana kwamba hakuna hata kimoja kikitawala kingine chochote.
Waendeshaji vinasaba
Hatua hii inajumuisha hatua mbili ndogo: uvukaji na mabadiliko. Baada ya kuchagua maneno bora (kwa kawaida 2 ya juu, lakini nambari hii inaweza kutofautiana), sasa hutumiwa kuunda kizazi kijacho katika algorithm. Kwa kutumia sifa za wazazi waliochaguliwa, watoto wapya huundwa ambao ni mchanganyiko wa sifa. Hii inaweza mara nyingi kuwa ngumu kulingana na aina ya data, lakini kwa kawaida katika matatizo ya mchanganyikoinawezekana kabisa kuchanganya na kutoa michanganyiko halali.
Sasa ni muhimu kutambulisha nyenzo mpya za urithi katika kizazi. Ikiwa hatua hii muhimu haitachukuliwa, mwanasayansi atakwama haraka sana katika hali mbaya za ndani na hatapata matokeo bora. Hatua hii ni mabadiliko, na inafanywa kwa urahisi kabisa, kubadilisha sehemu ndogo ya watoto kwa njia ambayo kwa kiasi kikubwa hawaakisi seti ndogo za jeni za wazazi. Mabadiliko kwa kawaida hutokea kwa uwezekano, kwa kuwa uwezekano kwamba mtoto ataipata, pamoja na ukali wake, hubainishwa na usambazaji.
Kukomesha
Mwishoni, kanuni lazima iishe. Kwa kawaida hii hutokea katika matukio mawili: ama imefikia muda wa juu zaidi wa utekelezaji, au imefikia kiwango cha juu cha utendakazi. Kwa hatua hii, suluhu la mwisho linachaguliwa na kurejeshwa.
Mfano wa kanuni za mageuzi
Sasa, ili kuonyesha matokeo ya mchakato huu, unahitaji kuona mshauri akifanya kazi. Ili kufanya hivyo, tunaweza kukumbuka jinsi vizazi kadhaa vya dinosaurs vilijifunza kutembea (hatua kwa hatua kutawala ardhi), kuboresha muundo wa miili yao na kutumia nguvu za misuli. Ingawa wanyama watambaao wa kizazi cha awali hawakuweza kutembea, mshauri aliweza kuwaendeleza baada ya muda kupitia mabadiliko na uvukaji wa umbo ambalo lingeweza kutembea.
Algoriti hizi zinazidi kuwa muhimu katika ulimwengu wa kisasa, kwani masuluhisho kulingana nayo yanazidi kutumika katika tasnia kama vile uuzaji wa kidijitali, fedha nahuduma ya afya.
EAs zinatumika wapi?
Kwa upana zaidi, algoriti za mageuzi hutumika katika aina mbalimbali za programu kama vile uchakataji wa picha, uelekezaji wa magari, uboreshaji wa mawasiliano ya simu, uundaji wa programu na hata mafunzo ya mtandao wa neva bandia. Zana hizi ziko kiini cha programu na tovuti nyingi ambazo watu hutumia kila siku, ikiwa ni pamoja na Ramani za Google na hata michezo kama vile The Sims. Kwa kuongezea, uwanja wa matibabu hutumia EA kusaidia kufanya maamuzi ya kimatibabu kuhusu matibabu ya saratani. Kwa hakika, algoriti za mageuzi ni thabiti sana hivi kwamba zinaweza kutumika kutatua takriban tatizo lolote la uboreshaji.
Sheria ya Moore
Kuongezeka kwa maambukizi ya EO kunatokana na mambo mawili kuu: nguvu inayopatikana ya kompyuta na mlundikano wa seti kubwa za data. Ya kwanza inaweza kuelezewa na Sheria ya Moore, ambayo kimsingi inasema kwamba kiasi cha nguvu ya kompyuta katika kompyuta huongezeka mara mbili takriban kila baada ya miaka miwili. Utabiri huu umeshikilia kwa miongo kadhaa. Jambo la pili linahusiana na kuongezeka kwa utegemezi wa teknolojia, ambayo huruhusu taasisi kukusanya kiasi kikubwa sana cha data, ambayo huziruhusu kuchanganua mitindo na kuboresha bidhaa.
Je, kanuni za mageuzi zinaweza kuwasaidiaje wauzaji?
Hali ya soko inabadilika kwa kasi na ina ushindani mkubwa. Hii imewalazimu wasimamizi wa masoko kushindana kwa kufanya maamuzi bora. Kuongezeka kwa inapatikananguvu ya kompyuta imesababisha wafanyakazi kutumia EA kwa utatuzi wa matatizo.
Uboreshaji wa ubadilishaji
Lengo moja kuu ni kuongeza kasi ya wanaotembelea tovuti. Tatizo hili linatokana na kuongeza idadi ya watumiaji wanaofanya kile ambacho muuzaji anataka. Kwa mfano, ikiwa kampuni inauza kompyuta za mkononi, bora ni kuongeza idadi ya wageni wa tovuti ambao wanaishia kununua bidhaa. Hiki ndicho kiini cha uboreshaji wa kiwango cha ubadilishaji.
Mojawapo ya vipengele muhimu vya kushangaza ni chaguo la kiolesura cha mtumiaji. Ikiwa muundo wa wavuti sio wa kirafiki sana, kuna wale ambao huishia kutonunua bidhaa kwa sababu moja au nyingine. Lengo basi ni kupunguza idadi ya watumiaji ambao hatimaye hawabadilishi, jambo ambalo huongeza faida ya jumla.
