ML - Конвергенция генетических алгоритмов
Опубликовано: 21 Июля, 2021
Вступление:
- Генетические алгоритмы - это методы вероятностной оптимизации поиска, которые работают с популяцией хромосом, представляя потенциальные решения данной проблемы.
- В стандартном генетическом алгоритме двоичные строки из единиц и нулей представляют хромосомы. Каждой хромосоме присваивается значение пригодности, выражающее ее качество, отражающее заданную целевую функцию. Такая популяция развивается с помощью операторов воспроизводства и рекомбинации, чтобы вывести хромосому оптимального решения. Эволюция продолжается до тех пор, пока не будет выполнено какое-либо условие завершения. Лучшая хромосома, встреченная до сих пор, считается найденным решением.
- Генетические алгоритмы одновременно выполняют разработку уже найденных многообещающих регионов и исследование других областей для потенциально лучшего решения.
- Слабым местом генетического алгоритма является то, что он часто страдает от так называемой преждевременной конвергенции, которая вызвана ранней гомогенизацией генетического материала в популяции. Это означает, что больше нельзя проводить ценные исследования.
Схематическая диаграмма
Подробности:
- Конвергенция - это явление в эволюционных вычислениях, которое заставляет эволюцию останавливаться, потому что точно каждый человек в популяции идентичен.
- Полную конвергенцию можно увидеть в генетических алгоритмах, использующих только кроссинговер.
- Преждевременная конвергенция - это когда совокупность сошлась к единому решению, но это решение не так высокого качества, как ожидалось, т. Е. Совокупность застряла.
- Однако конвергенция не обязательно является негативным явлением, потому что популяции часто стабилизируются через некоторое время в том смысле, что все лучшие программы имеют общего предка, и их поведение очень похоже / идентично как друг другу, так и поведению программ высокой физической подготовки от предыдущие поколения.
- Конвергенции можно избежать с помощью различных методов создания разнесения.