GA

Падмноства эвалюцыйных алгарытмаў, натхнёных натуральным адборам. Яны выкарыстоўваюцца для вырашэння праблем аптымізацыі шляхам імітацыі працэсу біялагічнай эвалюцыі. Вось як яны працуюць:

• Насельніцтва: Пачніце з набору магчымых рашэнняў праблемы, вядомых як насельніцтва. Кожны чалавек у гэтай папуляцыі прадстаўляе магчымае рашэнне і кадуецца ў выглядзе радка (часта двайковага, але можа быць і іншым).
• Выбар: Ацаніце прыдатнасць кожнага чалавека ў папуляцыі на аснове таго, наколькі добра яны вырашаюць праблему. Асобы з больш высокай прыдатнасцю (лепшыя рашэнні) з большай верагоднасцю будуць адабраны для размнажэння.
• Кросовер (рэкамбінацыя): Выбраныя асобіны спарваюцца для атрымання нашчадкаў. Гэта прадугледжвае аб'яднанне частак генетычнай інфармацыі ад двух бацькоў для стварэння новага рашэння. Гэты крок імітуе генетычную рэкамбінацыю ў біялогіі.
• Мутацыя: Выпадкова змяняйце часткі генетычнай інфармацыі нашчадкаў, каб унесці разнастайнасць у папуляцыю. Гэты крок прадухіляе, каб алгарытм затрымаўся ў лакальных оптымумах.
• Замена: Заменіце найменш прыдатных асобін новым нашчадствам. Гэты цыкл паўтараецца на працягу некалькіх пакаленняў, пакуль не будзе выкананы нейкі крытэрый спынення (напрыклад, знойдзена здавальняючае рашэнне або не будзе дасягнута максімальная колькасць пакаленняў).

Генетычныя алгарытмы і штучны інтэлект

Генетычныя алгарытмы дапамагаюць у штучным інтэлекце, дазваляючы:

• Паралельная апрацоўка: Генетычныя алгарытмы па сваёй сутнасці паралелізуемыя. Кожны чалавек у папуляцыі можа быць ацэнены незалежна, што робіць іх асабліва прыдатнымі для размеркаваных вылічальных асяроддзяў. Розныя часткі насельніцтва можна апрацоўваць на розных вузлах або машынах, што паскарае вылічэнні.
• маштабаванасць: З дапамогай размеркаваных вылічэнняў генетычныя алгарытмы могуць апрацоўваць вялікія папуляцыі або больш складаныя праблемы, размяркоўваючы вылічальную нагрузку на некалькі машын. Гэтая маштабаванасць можа прывесці да лепшых рашэнняў або больш хуткаму пошуку рашэнняў дзякуючы павелічэнню вылічальнай магутнасці.
• трываласць: У размеркаваных сістэмах могуць быць збоі або затрымкі. Генетычныя алгарытмы надзейныя супраць такіх праблем, таму што калі адна частка размеркаванай сістэмы выходзіць з ладу, генетычны алгарытм можа працягваць працу з астатнімі часткамі папуляцыі, хоць і з патэнцыйна зніжанай эфектыўнасцю.
• адаптуецца: GA могуць адаптавацца да зменлівых умоў або праблем, у якіх традыцыйныя метады могуць не даць выніку з-за складанасці або дынамічнага характару праблемы. Генетычныя алгарытмы могуць з часам развіваць рашэнні ў размеркаваных сістэмах штучнага інтэлекту, дзе даныя або ўмовы могуць хутка змяняцца.
• Аптымізацыя машыннага навучання: У ІІ, у прыватнасці ў такіх галінах, як аптымізацыя нейронных сетак, генетычныя алгарытмы могуць аптымізаваць сеткавыя архітэктуры, гіперпараметры або нават выбар функцый. Размеркаваныя вылічэнні могуць апрацоўваць велізарную колькасць ацэнак, неабходных для гэтых аптымізацый, што робіць працэс магчымым.
• Разнастайнасць рашэнняў: Захоўваючы разнастайнасць папуляцыі, генетычныя алгарытмы ў размеркаваным асяроддзі могуць даследаваць некалькі абласцей прасторы рашэнняў адначасова ў розных вузлах, што патэнцыйна можа прывесці да інавацыйных або разнастайных рашэнняў, якія не могуць быць знойдзены з дапамогай аднаго цэнтралізаванага падыходу.

Генетычныя алгарытмы выкарыстоўваюць прынцыпы эвалюцыі для аптымізацыі рашэнняў для складаных праблем ІІ. У спалучэнні з размеркаванымі вылічэннямі яны могуць значна павысіць хуткасць, маштабаванасць і надзейнасць сістэм штучнага інтэлекту, асабліва ў тых галінах, дзе патрабуюцца вялікія вылічальныя рэсурсы або дзе традыцыйныя метады аптымізацыі менш эфектыўныя.

Дадатковыя абрэвіятуры для GA

• GA - Google Analytics