人工智能中的遗传算法:概述、优势和关键术语
已发表: 2020-12-22目录
介绍
遗传算法用于解决具有更多变量和可能结果/解决方案的复杂问题。 不同解决方案的组合通过基于达尔文的算法来找到最佳解决方案。 然后将较差的解决方案替换为良好解决方案的后代。
这一切都适用于达尔文理论,即只选择最适合的个体进行繁殖。 各种解决方案被认为是总体的元素,并且只允许最适合的解决方案进行复制(以创建更好的解决方案)。 遗传算法有助于优化任何特定问题的解决方案。
遗传算法的整个过程是一个计算机程序模拟,其中问题和解决方案的属性被视为达尔文理论的属性。 遗传算法涉及的基本过程如下:
- 为任何特定问题构建了一组解决方案。 人口的元素相互竞争,以找出最适合的那个。
- 适合的人口元素只允许创造后代(更好的解决方案)。
- 来自最适父母(解决方案)的基因创造了更好的后代。 因此,未来的解决方案将是更好和可持续的。
人工智能中遗传算法的工作
AI中遗传算法的工作原理如下:
- 种群的组成部分,即元素,在人工智能的遗传算法中被称为基因。 这些基因在群体中形成个体(也称为染色体)。
- 创建了一个搜索空间,所有个体都在其中聚集。 所有个体都在搜索空间的有限长度内编码。
- 搜索空间(种群)中的每个个体都被赋予一个适应度分数,该分数表明其与其他个体竞争的能力。
- 通过遗传算法寻找和维护所有具有各自适应度得分的个体,并且具有高适应度得分的个体有机会繁殖。
- 与他们的父母相比,新的后代有更好的“部分解决方案”。 遗传算法还保持搜索空间的动态以积累新的解决方案(后代)。
- 重复这个过程,直到后代没有任何新的属性/特征而不是他们的父母(收敛)。 种群最终收敛,只有最适合的解决方案与其后代(更好的解决方案)一起保留。 还计算了种群中新个体(后代)的适应度得分。
遗传算法中的关键术语
- 选择算子——人工智能遗传算法中的这个算子负责选择具有更好适应度得分的个体进行繁殖。
- 交叉操作员- 交叉操作员选择将发生合并的交叉站点。 可用于交配的两个个体中的交叉位点是随机选择的并形成新个体。
- 变异算子——遗传算法中的这个算子负责在后代中嵌入随机基因以保持多样性并避免过早收敛。
- 过早收敛——如果一个问题被快速优化,这意味着后代不是在很多层面上产生的。 解决方案也不会具有最佳质量。 为了避免过早收敛,变异算子会添加新基因。
- 等位基因——染色体中特定基因的值称为等位基因。 每个基因的特定等位基因集定义了该特定基因的可能染色体。
阅读:你应该知道的人工智能算法类型

遗传算法的好处和用途
- 与其他解决方案相比,通过遗传算法创建的解决方案强大且可靠。
- 它们增加了解决方案的规模,因为解决方案可以在较大的搜索范围内进行优化。 该算法还可以管理大量人口。
- 遗传算法产生的解决方案在稍微改变输入方面并没有太大偏差。 他们可以处理一点噪音。
- 遗传算法具有遵循概率转移规则的随机分布,使其难以预测但易于分析。
- 遗传算法也可以在嘈杂的环境中执行。 它也可以在复杂和离散问题的情况下工作。
- 由于其有效性,遗传算法具有许多应用,例如神经网络、模糊逻辑、密码破解、过滤和信号处理。 您可以通过 upGrad 提供的顶级课程了解有关AI 中的遗传算法的更多信息。
另请阅读: ML 中的分类算法类型


为什么要向 upGrad 学习?
upGrad 提供与顶尖大学和机构相关的各种人工智能课程。 这些课程遵循行业第一的方法,由专家教授。 upGrad提供的AI课程如下:
- 隶属于利物浦约翰摩尔斯大学 (LJMU) 的机器学习与人工智能理学硕士。
- 隶属于班加罗尔 IIIT 的机器学习和人工智能 PG 文凭。
在 upGrad 上选择这些课程的好处如下:
- 如果您选择这些课程,upGrad 还将提供安置支持。 upGrad 与业内顶尖企业合作。
- 如果您选择上述课程,您将获得个性化的指导。
- 您将有机会在许多项目、案例研究、作业等之间进行选择。
- 如果您选择这些课程,您还将获得 LJMU 或 IIIT 班加罗尔的校友身份。
- 您将遇到来自行业专家的指导课程,以了解更多关于 AI 行业的信息。
- 还将通过 upGrad 为您提供职业导师,以获得完整的 360 度支持。
- upGrad 的这些 AI 课程还将涵盖 AI 行业中使用的编程语言、工具和数据库(库)。 您还可以访问庞大的 upGrad 社区。
结论
遗传算法是人工智能中的一个重要概念,在寻找最佳解决方案方面是表现最好的人工智能算法之一。 您可以通过选择专家学院教授的 upGrad 提供的 AI 课程来了解有关此主题的更多信息。 LJMU upGrad 课程为 18 个月,而另一个为 12 个月。 现在开始学习人工智能!
如果您有兴趣了解有关机器学习的更多信息,请查看 IIIT-B 和 upGrad 的机器学习和人工智能 PG 文凭,该文凭专为工作专业人士设计,提供 450 多个小时的严格培训、30 多个案例研究和作业、IIIT- B 校友身份、5 个以上实用的实践顶点项目和顶级公司的工作协助。
遗传算法是什么意思,它与生物学有什么关系?
通常,算法是一组规则或指令,计算机或设备要遵循这些规则或指令来执行特定任务或解决问题。 遗传算法是一种进化算法,它基于查尔斯达尔文的生物学理论之一。 这叫做适者生存,按照这句话来说,只有最适应环境的生物才有生存和繁殖的机会。 与理论类似,遗传算法是一种迭代算法,它在设备可用的解决方案中找到一个最佳解决方案。 染色体由遗传算法中的位或字符数组表示,遗传算法实现了计算范式。 每个字符串对应一个可能的解决方案。 然后,遗传算法会调整最有希望的染色体以追求更好的结果。
遗传算法在现实生活中的用例是什么?
通过复制适者生存的进化过程以实现给定目标,遗传算法可能会解决具有众多变量和大量替代解决方案的复杂问题。 在经济学中,遗传算法代表的概念包括博弈论、蛛网模型、资产定价和进度优化。 他们还被用来弄清楚如何使货物交付更有效率。 它们用于 DNA 分析,以根据光谱数据确定 DNA 结构。 在多模态优化问题中,它们被用来给出许多最优解。 它们被用于创建参数化飞机设计。 使用遗传算法更新和增强飞机的参数以产生卓越的设计。
遗传算法的局限性是什么?
与任何其他算法一样,遗传算法也有其自身的局限性。 第一个限制是这些算法的计算成本很高,因为对每个个体的评估都需要对模型进行训练。 这些算法面临的第二个问题是它们无法有效解决小问题。 这些算法的另一个问题是它们的随机性可能需要很长时间才能收敛,并且不正确的实现可能会导致算法收敛到不令人满意的结果。 此外,在遗传算法中,不能保证最终答案的质量。 在这些算法中,重复计算最合适的值可能会导致计算障碍的特定问题。