Genetischer Algorithmus in der künstlichen Intelligenz: Überblick, Vorteile und Schlüsselterminologien

Veröffentlicht: 2020-12-22

Inhaltsverzeichnis

Einführung

Ein genetischer Algorithmus wird verwendet, um komplizierte Probleme mit einer größeren Anzahl von Variablen und möglichen Ergebnissen/Lösungen zu lösen. Die Kombinationen verschiedener Lösungen werden durch den auf Darwin basierenden Algorithmus geleitet, um die besten Lösungen zu finden. Die schlechteren Lösungen werden dann durch die Nachkommen guter Lösungen ersetzt.

Das alles funktioniert nach der darwinistischen Theorie, wonach nur die fittesten Individuen für die Fortpflanzung ausgewählt werden. Die verschiedenen Lösungen werden als Elemente der Bevölkerung betrachtet, und nur die geeignetsten Lösungen dürfen sich reproduzieren (um bessere Lösungen zu schaffen). Genetische Algorithmen helfen bei der Optimierung der Lösungen für ein bestimmtes Problem.

Der gesamte Prozess der genetischen Algorithmen ist eine Computerprogrammsimulation, in der die Attribute des Problems und der Lösung als Attribute der darwinistischen Theorie behandelt werden. Die grundlegenden Prozesse, die an genetischen Algorithmen beteiligt sind, sind wie folgt:

Für jedes bestimmte Problem wird eine Population von Lösungen erstellt. Die Elemente der Bevölkerung konkurrieren miteinander, um den Stärksten zu ermitteln.
Nur die fitten Teile der Bevölkerung dürfen Nachkommen zeugen (bessere Lösungen).
Die Gene der fittesten Eltern (Lösungen) schaffen einen besseren Nachwuchs. Daher werden zukünftige Lösungen besser und nachhaltiger sein.

Funktionieren genetischer Algorithmen in der KI

Die Funktionsweise eines genetischen Algorithmus in der KI ist wie folgt:

Die Bestandteile der Population, also Elemente, werden in genetischen Algorithmen der KI als Gene bezeichnet . Diese Gene bilden ein Individuum in der Bevölkerung (auch als Chromosom bezeichnet).
Es entsteht ein Suchraum, in dem alle Individuen angesammelt werden. Alle Individuen sind innerhalb einer endlichen Länge im Suchraum kodiert.
Jedes Individuum im Suchraum (Population) erhält einen Fitnesswert, der seine Fähigkeit angibt, mit anderen Individuen zu konkurrieren.
Alle Personen mit ihren jeweiligen Fitnesswerten werden vom genetischen Algorithmus gesucht und gepflegt, und die Personen mit hohen Fitnesswerten erhalten die Chance, sich zu reproduzieren.
Die neuen Nachkommen haben im Vergleich zu ihren Eltern bessere „Teillösungen“. Genetische Algorithmen halten auch den Raum des Suchraums dynamisch, um die neuen Lösungen (Nachkommen) zu akkumulieren.
Dieser Vorgang wird solange wiederholt, bis die Nachkommen keine neuen Attribute/Merkmale mehr als ihre Eltern haben (Konvergenz). Die Population konvergiert am Ende, und nur die geeignetsten Lösungen bleiben zusammen mit ihren Nachkommen (bessere Lösungen). Der Fitnesswert neuer Individuen in der Population (Nachkommen) wird ebenfalls berechnet.

Schlüsselterminologien in genetischen Algorithmen

Auswahloperator – Dieser Operator in genetischen Algorithmen in der KI ist verantwortlich für die Auswahl der Personen mit besseren Fitnesswerten für die Fortpflanzung.
Crossover-Operator – Der Crossover-Operator wählt einen Crossover-Standort aus, an dem die Zusammenführung stattfinden wird. Die Kreuzungsstellen in beiden zur Paarung verfügbaren Individuen werden zufällig ausgewählt und bilden neue Individuen.
Mutationsoperator – Dieser Operator im genetischen Algorithmus ist dafür verantwortlich, zufällige Gene in die Nachkommen einzubetten, um die Vielfalt zu erhalten und eine vorzeitige Konvergenz zu vermeiden.
Vorzeitige Konvergenz – Wenn ein Problem schnell optimiert wird, bedeutet dies, dass die Nachkommen auf vielen Ebenen nicht produziert wurden. Die Lösungen werden auch nicht von optimaler Qualität sein. Um eine vorzeitige Konvergenz zu vermeiden, werden neue Gene durch den Mutationsoperator hinzugefügt.
Allel – Der Wert eines bestimmten Gens in einem Chromosom wird als Allel bezeichnet. Der angegebene Satz von Allelen für jedes Gen definiert die möglichen Chromosomen dieses bestimmten Gens.

Lesen Sie: Arten von KI-Algorithmen, die Sie kennen sollten

Vorteile und Verwendung genetischer Algorithmen

Die durch genetische Algorithmen erstellten Lösungen sind im Vergleich zu anderen Lösungen stark und zuverlässig.
Sie erhöhen die Größe der Lösungen, da Lösungen über einen großen Suchmaßstab optimiert werden können. Dieser Algorithmus kann auch eine große Population verwalten.
Die von genetischen Algorithmen erzeugten Lösungen weichen bei einer geringfügigen Änderung der Eingabe nicht stark ab. Sie können ein wenig Lärm vertragen.
Genetische Algorithmen haben eine stochastische Verteilung, die probabilistischen Übergangsregeln folgt, wodurch sie schwer vorherzusagen, aber leicht zu analysieren sind.
Genetische Algorithmen können auch in lauten Umgebungen funktionieren. Es kann auch bei komplexen und diskreten Problemen funktionieren.
Aufgrund ihrer Effektivität haben genetische Algorithmen viele Anwendungen wie neuronale Netze, Fuzzy-Logik, Codeknacken, Filtern und Signalverarbeitung. In den Top-Kursen von upGrad können Sie mehr über die genetischen Algorithmen in der KI erfahren.

Lesen Sie auch: Arten von Klassifizierungsalgorithmen in ML

Warum von upGrad lernen?

upGrad bietet verschiedene Kurse in KI an, die mit Top-Universitäten und -Institutionen verbunden sind. Diese Kurse folgen einem branchenführenden Ansatz und werden von Fachlehrern unterrichtet. Die von upGrad in AI bereitgestellten Kurse lauten wie folgt:

Master of Science in Machine Learning & AI an der Liverpool John Moores University (LJMU).
PG-Diplom in maschinellem Lernen und KI, verbunden mit IIIT Bangalore.

Die Vorteile der Entscheidung für diese Kurse auf upGrad sind wie folgt:

upGrad unterstützt Sie auch bei der Einstufung, wenn Sie sich für diese Kurse entscheiden. upGrad arbeitet mit den Top-Playern der Branche zusammen.
Wenn Sie sich für die oben genannten Kurse entscheiden, erhalten Sie eine personalisierte Betreuung.
Sie haben die Möglichkeit, zwischen vielen Projekten, Fallstudien, Aufträgen usw. zu wählen.
Sie erhalten auch den Alumni-Status von LJMU oder IIIT Bangalore, wenn Sie sich für diese Kurse entscheiden.
Sie werden auf Mentoring-Sitzungen von Branchenexperten stoßen, um mehr über die KI-Branche zu erfahren.
Für eine vollständige 360-Grad-Betreuung wird Ihnen über upGrad auch ein Karriere-Mentor zur Verfügung gestellt.
Diese KI-Kurse von upGrad behandeln auch Programmiersprachen, Tools und Datenbanken (Bibliotheken), die in der KI-Branche verwendet werden. Sie haben auch Zugang zur riesigen upGrad-Community.

Fazit

Genetische Algorithmen sind ein wichtiges Konzept in der KI und gehören zu den leistungsstärksten KI-Algorithmen, wenn es darum geht, optimale Lösungen zu finden. Sie können mehr über dieses Thema erfahren, indem Sie sich für die von upGrad angebotenen KI-Kurse entscheiden, die von Fachfakultäten unterrichtet werden. Der LJMU-Kurs auf upGrad dauert 18 Monate, der andere 12 Monate. Fangen Sie jetzt an, KI zu lernen!

Wenn Sie mehr über maschinelles Lernen erfahren möchten, sehen Sie sich das PG-Diplom in maschinellem Lernen und KI von IIIT-B & upGrad an, das für Berufstätige konzipiert ist und mehr als 450 Stunden strenge Schulungen, mehr als 30 Fallstudien und Aufgaben bietet, IIIT- B-Alumni-Status, mehr als 5 praktische, praktische Abschlussprojekte und Jobunterstützung bei Top-Unternehmen.

Was meinen Sie mit genetischem Algorithmus und in welcher Beziehung steht er zur Biologie?

Algorithmen sind im Allgemeinen eine Reihe von Regeln oder Anweisungen, die von einem Computer oder einem Gerät befolgt werden müssen, um eine bestimmte Aufgabe auszuführen oder ein Problem zu lösen. Der genetische Algorithmus ist ein evolutionärer Algorithmus, der auf einer der biologischen Theorien von Charles Darwin basiert. Es heißt Survival of the fittest, und nach diesem Sprichwort haben nur die Organismen, die sich am besten an ihre Umwelt anpassen, Überlebens- und Fortpflanzungschancen. Ähnlich wie die Theorie ist der genetische Algorithmus ein iterativer Algorithmus, der eine Lösung findet, die die beste Lösung unter den für das Gerät verfügbaren Lösungen ist. Die Chromosomen werden durch Anordnungen von Bits oder Zeichen in einem genetischen Algorithmus dargestellt, der das Computerparadigma implementiert. Jeder String entspricht einer möglichen Lösung. Der genetische Algorithmus optimiert dann die vielversprechendsten Chromosomen, um bessere Ergebnisse zu erzielen.

Was sind die realen Anwendungsfälle genetischer Algorithmen?

Indem sie den evolutionären Prozess des Überlebens des Stärkeren replizieren, um ein bestimmtes Ziel zu erreichen, gehen genetische Algorithmen potenziell komplexe Probleme mit zahlreichen Variablen und einer riesigen Anzahl alternativer Lösungen an. In der Wirtschaftswissenschaft repräsentieren genetische Algorithmen Konzepte wie die Spieltheorie, das Spinnennetzmodell, die Preisgestaltung von Vermögenswerten und die Zeitplanoptimierung. Sie werden auch verwendet, um herauszufinden, wie die Warenlieferung effizienter gestaltet werden kann. Sie werden in der DNA-Analyse eingesetzt, um die DNA-Struktur anhand spektrometrischer Daten zu bestimmen. Bei multimodalen Optimierungsproblemen werden sie verwendet, um zahlreiche optimale Lösungen zu liefern. Sie werden bei der Erstellung parametrischer Flugzeugdesigns eingesetzt. Die Parameter des Flugzeugs werden aktualisiert und verbessert, indem genetische Algorithmen verwendet werden, um überlegene Designs zu produzieren.

Was sind die Grenzen des genetischen Algorithmus?

Wie jeder andere Algorithmus haben auch genetische Algorithmen ihre eigenen Einschränkungen. Die erste Einschränkung besteht darin, dass diese Algorithmen rechenintensiv sind, da die Bewertung jedes einzelnen das Trainieren eines Modells erfordert. Das zweite Problem, dem diese Algorithmen gegenüberstehen, besteht darin, dass sie beim Angehen kleinerer Probleme unwirksam sind. Ein weiteres Problem bei diesen Algorithmen besteht darin, dass es aufgrund ihrer stochastischen Natur lange dauern kann, bis sie konvergieren, und eine unsachgemäße Implementierung kann dazu führen, dass der Algorithmus zu einem unbefriedigenden Ergebnis konvergiert. Außerdem ist bei einem genetischen Algorithmus die Qualität der endgültigen Antwort nicht garantiert. Bei diesen Algorithmen kann die wiederholte Berechnung der geeignetsten Werte zu bestimmten Problemen bei der Berechnung von Hürden führen.