人工智能中的遺傳算法:概述、優勢和關鍵術語

已發表: 2020-12-22

目錄

介紹

遺傳算法用於解決具有更多變量和可能結果/解決方案的複雜問題。 不同解決方案的組合通過基於達爾文的算法來找到最佳解決方案。 然後將較差的解決方案替換為良好解決方案的後代。

這一切都適用於達爾文理論,即只選擇最適合的個體進行繁殖。 各種解決方案被認為是總體的元素,並且只允許最適合的解決方案進行複制(以創建更好的解決方案)。 遺傳算法有助於優化任何特定問題的解決方案。

遺傳算法的整個過程是一個計算機程序模擬,其中問題和解決方案的屬性被視為達爾文理論的屬性。 遺傳算法涉及的基本過程如下:

  • 為任何特定問題構建了一組解決方案。 人口的元素相互競爭,以找出最適合的那個。
  • 適合的人口元素只允許創造後代(更好的解決方案)。
  • 來自最適父母(解決方案)的基因創造了更好的後代。 因此,未來的解決方案將是更好和可持續的。

人工智能中遺傳算法的工作

AI中遺傳算法的工作原理如下:

  • 種群的組成部分,即元素,在人工智能的遺傳算法中被稱為基因 這些基因在群體中形成個體(也稱為染色體)。
  • 創建了一個搜索空間,所有個體都在其中聚集。 所有個體都在搜索空間的有限長度內編碼。
  • 搜索空間(種群)中的每個個體都被賦予一個適應度分數,該分數表明其與其他個體競爭的能力。
  • 通過遺傳算法尋找和維護所有具有各自適應度得分的個體,並且具有高適應度得分的個體有機會繁殖。
  • 與他們的父母相比,新的後代有更好的“部分解決方案”。 遺傳算法還保持搜索空間的動態以積累新的解決方案(後代)。
  • 重複這個過程,直到後代沒有任何新的屬性/特徵而不是他們的父母(收斂)。 種群最終收斂,只有最適合的解決方案與其後代(更好的解決方案)一起保留。 還計算了種群中新個體(後代)的適應度得分。

遺傳算法中的關鍵術語

  • 選擇算子——人工智能遺傳算法中的這個算子負責選擇具有更好適應度得分的個體進行繁殖。
  • 交叉操作員- 交叉操作員選擇將發生合併的交叉站點。 可用於交配的兩個個體中的交叉位點是隨機選擇的並形成新個體。
  • 變異算子——遺傳算法中的這個算子負責在後代中嵌入隨機基因以保持多樣性並避免過早收斂。
  • 過早收斂——如果一個問題被快速優化,這意味著後代不是在很多層面上產生的。 解決方案也不會具有最佳質量。 為了避免過早收斂,變異算子會添加新基因。
  • 等位基因——染色體中特定基因的值稱為等位基因。 每個基因的特定等位基因集定義了該特定基因的可能染色體。

閱讀:你應該知道的人工智能算法類型

遺傳算法的好處和用途

  • 與其他解決方案相比,通過遺傳算法創建的解決方案強大且可靠。
  • 它們增加了解決方案的規模,因為解決方案可以在較大的搜索範圍內進行優化。 該算法還可以管理大量人口。
  • 遺傳算法產生的解決方案在稍微改變輸入方面並沒有太大偏差。 他們可以處理一點噪音。
  • 遺傳算法具有遵循概率轉移規則的隨機分佈,使其難以預測但易於分析。
  • 遺傳算法也可以在嘈雜的環境中執行。 它也可以在復雜和離散問題的情況下工作。
  • 由於其有效性,遺傳算法具有許多應用,例如神經網絡、模糊邏輯、密碼破解、過濾和信號處理。 您可以通過 upGrad 提供的頂級課程了解有關AI 中的遺傳算法的更多信息。

另請閱讀: ML 中的分類算法類型

為什麼要向 upGrad 學習?

upGrad 提供與頂尖大學和機構相關的各種人工智能課程。 這些課程遵循行業第一的方法,由專家教授。 upGrad提供的AI課程如下:

  • 隸屬於利物浦約翰摩爾斯大學 (LJMU) 的機器學習與人工智能理學碩士。
  • 隸屬於班加羅爾 IIIT 的機器學習和人工智能 PG 文憑。

在 upGrad 上選擇這些課程的好處如下:

  • 如果您選擇這些課程,upGrad 還將提供安置支持。 upGrad 與業內頂尖企業合作。
  • 如果您選擇上述課程,您將獲得個性化的指導。
  • 您將有機會在許多項目、案例研究、作業等之間進行選擇。
  • 如果您選擇這些課程,您還將獲得 LJMU 或 IIIT 班加羅爾的校友身份。
  • 您將遇到來自行業專家的指導課程,以了解更多關於 AI 行業的信息。
  • 還將通過 upGrad 為您提供職業導師,以獲得完整的 360 度支持。
  • upGrad 的這些 AI 課程還將涵蓋 AI 行業中使用的編程語言、工具和數據庫(庫)。 您還可以訪問龐大的 upGrad 社區。

結論

遺傳算法是人工智能中的一個重要概念,在尋找最佳解決方案方面是表現最好的人工智能算法之一。 您可以通過選擇專家學院教授的 upGrad 提供的 AI 課程來了解有關此主題的更多信息。 LJMU upGrad 課程為 18 個月,而另一個為 12 個月。 現在開始學習人工智能!

如果您有興趣了解有關機器學習的更多信息,請查看 IIIT-B 和 upGrad 的機器學習和人工智能 PG 文憑,該文憑專為工作專業人士設計,提供 450 多個小時的嚴格培訓、30 多個案例研究和作業、IIIT- B 校友身份、5 個以上實用的實踐頂點項目和頂級公司的工作協助。

遺傳算法是什麼意思,它與生物學有什麼關係?

通常,算法是一組規則或指令,計算機或設備要遵循這些規則或指令來執行特定任務或解決問題。 遺傳算法是一種進化算法,它基於查爾斯達爾文的生物學理論之一。 這叫做適者生存,按照這句話來說,只有最適應環境的生物才有生存和繁殖的機會。 與理論類似,遺傳算法是一種迭代算法,它在設備可用的解決方案中找到一個最佳解決方案。 染色體由遺傳算法中的位或字符數組表示,遺傳算法實現了計算範式。 每個字符串對應一個可能的解決方案。 然後,遺傳算法會調整最有希望的染色體以追求更好的結果。

遺傳算法在現實生活中的用例是什麼?

通過複製適者生存的進化過程以實現給定目標,遺傳算法可能會解決具有眾多變量和大量替代解決方案的複雜問題。 在經濟學中,遺傳算法代表的概念包括博弈論、蛛網模型、資產定價和進度優化。 他們還被用來弄清楚如何使貨物交付更有效率。 它們用於 DNA 分析,以根據光譜數據確定 DNA 結構。 在多模態優化問題中,它們被用來給出許多最優解。 它們被用於創建參數化飛機設計。 使用遺傳算法更新和增強飛機的參數以產生卓越的設計。

遺傳算法的局限性是什麼?

與任何其他算法一樣,遺傳算法也有其自身的局限性。 第一個限制是這些算法的計算成本很高,因為對每個個體的評估都需要對模型進行訓練。 這些算法面臨的第二個問題是它們無法有效解決小問題。 這些算法的另一個問題是它們的隨機性可能需要很長時間才能收斂,並且不正確的實現可能會導致算法收斂到不令人滿意的結果。 此外,在遺傳算法中,不能保證最終答案的質量。 在這些算法中,重複計算最合適的值可能會導致計算障礙的特定問題。