Генетический алгоритм в искусственном интеллекте: обзор, преимущества и ключевые термины

Опубликовано: 2020-12-22

Оглавление

Введение

Генетический алгоритм используется для решения сложных задач с большим количеством переменных и возможных результатов/решений. Комбинации различных решений проходят через дарвиновский алгоритм для поиска лучших решений. Затем более плохие решения заменяются потомками хороших решений.

Все это работает по теории Дарвина, где для размножения выбираются только наиболее приспособленные особи. Различные решения считаются элементами совокупности, и только наиболее подходящие решения могут воспроизводиться (создавать лучшие решения). Генетические алгоритмы помогают оптимизировать решения любой конкретной проблемы.

Весь процесс генетических алгоритмов представляет собой симуляцию компьютерной программы, в которой атрибуты проблемы и решения рассматриваются как атрибуты дарвиновской теории. Основные процессы, которые участвуют в генетических алгоритмах, следующие:

  • Популяция решений строится для любой конкретной проблемы. Элементы популяции соревнуются друг с другом, чтобы найти сильнейшего.
  • Элементы популяции, которые подходят, могут создавать потомство (лучшие решения).
  • Гены самых приспособленных родителей (решения) создают лучшее потомство. Таким образом, будущие решения будут более качественными и устойчивыми.

Работа генетических алгоритмов в ИИ

Работа генетического алгоритма в ИИ выглядит следующим образом:

  • Компоненты популяции, т. е. элементы, в генетических алгоритмах ИИ называются генами . Эти гены формируют особь в популяции (также называемую хромосомой).
  • Создается пространство поиска, в котором аккумулируются все особи. Все индивидуумы закодированы в пределах конечной длины в пространстве поиска.
  • Каждому человеку в пространстве поиска (населению) присваивается показатель пригодности, который говорит о его способности конкурировать с другими людьми.
  • Генетический алгоритм разыскивает и поддерживает всех особей с соответствующими показателями приспособленности, а особи с высокими показателями приспособленности получают возможность размножаться.
  • Новое потомство имеет лучшие «частичные решения» по сравнению с их родителями. Генетические алгоритмы также поддерживают динамическое пространство пространства поиска для накопления новых решений (потомков).
  • Этот процесс повторяется до тех пор, пока у потомков не будет новых признаков/признаков, чем у их родителей (конвергенция). В конце популяция сходится, и остаются только самые подходящие решения вместе со своими потомками (лучшими решениями). Также рассчитываются показатели приспособленности новых особей в популяции (потомков).

Ключевые термины в генетических алгоритмах

  • Оператор отбора . Этот оператор в генетических алгоритмах ИИ отвечает за отбор особей с лучшими показателями пригодности для размножения.
  • Оператор кроссовера. Оператор кроссовера выбирает сайт кроссовера, с которого произойдет слияние. Места кроссовера у обеих особей, доступных для спаривания, выбираются случайным образом и образуют новые особи.
  • Оператор мутации . Этот оператор в генетическом алгоритме отвечает за встраивание случайных генов в потомство для поддержания разнообразия и предотвращения преждевременной конвергенции.
  • Преждевременная конвергенция . Если проблема оптимизируется быстро, это означает, что потомство не было создано на многих уровнях. Растворы также не будут оптимального качества. Чтобы избежать преждевременной конвергенции, оператор мутации добавляет новые гены.
  • Аллель — значение определенного гена в хромосоме называется аллелем. Указанный набор аллелей для каждого гена определяет возможные хромосомы этого конкретного гена.

Читайте: Типы алгоритмов ИИ, которые вы должны знать

Преимущества и использование генетических алгоритмов

  • Решения, созданные с помощью генетических алгоритмов, являются сильными и надежными по сравнению с другими решениями.
  • Они увеличивают размер решений, поскольку решения можно оптимизировать в больших масштабах поиска. Этот алгоритм также может управлять большой популяцией.
  • Решения, полученные с помощью генетических алгоритмов, не сильно отклоняются при незначительном изменении входных данных. Они могут справиться с небольшим шумом.
  • Генетические алгоритмы имеют стохастическое распределение, которое следует вероятностным правилам перехода, что делает их трудно предсказуемыми, но легко анализируемыми.
  • Генетические алгоритмы также могут работать в шумной среде. Он также может работать в случае сложных и дискретных проблем.
  • Благодаря своей эффективности генетические алгоритмы имеют множество приложений, таких как нейронные сети, нечеткая логика, взлом кода, фильтрация и обработка сигналов. Вы можете узнать больше о генетических алгоритмах в ИИ на лучших курсах, предлагаемых upGrad.

Читайте также: Типы алгоритмов классификации в ML

Зачем учиться у upGrad?

upGrad предлагает различные курсы по искусственному интеллекту, которые связаны с ведущими университетами и учреждениями. Эти курсы следуют первому в отрасли подходу и преподаются опытными преподавателями. Курсы по искусственному интеллекту, предлагаемые upGrad, следующие:

  • Магистр наук в области машинного обучения и искусственного интеллекта, связанный с Ливерпульским университетом Джона Мура (LJMU).
  • Диплом PG в области машинного обучения и искусственного интеллекта, связанный с IIIT Bangalore.

Преимущества выбора этих курсов на upGrad заключаются в следующем:

  • upGrad также предоставит поддержку при размещении, если вы выберете эти курсы. upGrad сотрудничает с ведущими игроками отрасли.
  • Вы получите индивидуальное наставничество, если выберете вышеупомянутые курсы.
  • Вы получите возможность выбирать между множеством проектов, тематических исследований, заданий и т. д.
  • Вы также получите статус выпускника LJMU или IIIT Bangalore, если выберете эти курсы.
  • Вы пройдете сеансы наставничества от отраслевых экспертов, чтобы узнать больше об индустрии искусственного интеллекта.
  • Карьерный наставник также будет предоставлен вам через upGrad для полной всесторонней поддержки.
  • Эти курсы по искусственному интеллекту от upGrad также охватывают языки программирования, инструменты и базы данных (библиотеки), используемые в индустрии искусственного интеллекта. У вас также будет доступ к огромному сообществу upGrad.

Заключение

Генетические алгоритмы являются важной концепцией ИИ и одними из самых эффективных алгоритмов ИИ, когда речь идет о поиске оптимальных решений. Вы можете узнать больше об этой теме, выбрав курсы по искусственному интеллекту, предлагаемые upGrad, которые преподают опытные факультеты. Курс LJMU на upGrad составляет 18 месяцев, а другой - на 12 месяцев. Начните изучать ИИ прямо сейчас!

Если вам интересно узнать больше о машинном обучении, ознакомьтесь с дипломом PG IIIT-B и upGrad в области машинного обучения и искусственного интеллекта, который предназначен для работающих профессионалов и предлагает более 450 часов тщательного обучения, более 30 тематических исследований и заданий, IIIT- Статус B Alumni, более 5 практических практических проектов и помощь в трудоустройстве в ведущих фирмах.

Что вы подразумеваете под генетическим алгоритмом и как он связан с биологией?

Алгоритмы, как правило, представляют собой набор правил или инструкций, которым должен следовать компьютер или устройство для выполнения конкретной задачи или решения проблемы. Генетический алгоритм — это эволюционный алгоритм, основанный на одной из биологических теорий Чарльза Дарвина. Это называется выживанием наиболее приспособленных, и, согласно этой фразе, только те организмы, которые лучше всего приспосабливаются к окружающей среде, имеют шансы на выживание и размножение. Подобно теории, генетический алгоритм является итеративным алгоритмом, который находит решение, которое является лучшим среди решений, доступных для устройства. Хромосомы представлены массивами битов или символов в генетическом алгоритме, который реализует вычислительную парадигму. Каждая строка соответствует возможному решению. Затем генетический алгоритм настраивает наиболее перспективные хромосомы, чтобы добиться лучших результатов.

Каковы реальные варианты использования генетических алгоритмов?

Воспроизводя эволюционный процесс выживания наиболее приспособленных для достижения поставленной цели, генетические алгоритмы потенциально подходят к сложным проблемам с многочисленными переменными и огромным количеством альтернативных решений. В экономике генетические алгоритмы представляют такие концепции, как теория игр, модель паутины, ценообразование активов и оптимизация расписания. Они также используются, чтобы выяснить, как сделать доставку товаров более эффективной. Они используются в анализе ДНК для определения структуры ДНК на основе спектрометрических данных. В задачах мультимодальной оптимизации они используются для получения множества оптимальных решений. Они используются при создании параметрических конструкций самолетов. Параметры самолета обновляются и улучшаются с использованием генетических алгоритмов для создания превосходных конструкций.

Каковы ограничения генетического алгоритма?

Как и любой другой алгоритм, генетические алгоритмы также имеют свой собственный набор ограничений. Первое ограничение заключается в том, что эти алгоритмы являются дорогостоящими в вычислительном отношении, поскольку оценка каждого человека требует обучения модели. Вторая проблема, с которой сталкиваются эти алгоритмы, заключается в том, что они неэффективны при решении мелких проблем. Другая проблема с этими алгоритмами заключается в том, что их стохастическая природа может занять много времени для сходимости, а неправильная реализация может привести к сходимости алгоритма к неудовлетворительному результату. Также в генетическом алгоритме не гарантируется качество конечного ответа. В этих алгоритмах повторяющийся расчет наиболее подходящих значений может вызвать определенные проблемы с вычислительными препятствиями.