акі методи будуть ефективніше генетичних алгоритмів і у швидкодії і в точність знайдених рішень. Головним же перевагою генетичних алгоритмів є те, що вони можуть застосовуватися навіть на складних завданнях, там, де не існує ніяких спеціальних методів. Навіть там, де добре працюю існуючі методики, можна досягти поліпшення поєднанням їх з генетичними алгоритмами. br/>
Застосування генетичних алгоритмів
Генетичні алгоритми в різних формах застосувались до багатьох науковим і технічним проблемам. Генетичні алгоритми використовувалися при створенні інших обчислювальних структур, наприклад, автоматів або мереж сортування. У машинному навчанні вони використовувалися при проектуванні нейронних мереж або управлінні роботами. Вони також застосовувалися при моделюванні розвитку в різних предметних областях, включаючи біологічні (Екологія, імунологія та популяційна генетика), соціальний (такі як економіка і політичні системи) і когнітивні системи. p> Тим не менш, можливо найбільш популярне додаток генетичних алгоритмів - оптимізація багатопараметричних функцій. Багато реальні завдання можуть бути сформульовані як пошук оптимального значення, де значення - складна функція, що залежить від деяких вхідних параметрів. У деяких випадках, представляє інтерес знайти ті значення параметрів, при яких досягається найкраще точне значення функції. В інших випадках, точний оптимум не потрібно - рішенням може вважатися будь-яке значення, яке краще деякої заданий величини. У цьому випадку, генетичні алгоритми - часто найбільш прийнятний метод для пошуку "хороших" значень. Сила генетичного алгоритму укладена в його здатності маніпулювати одночасно багатьма параметрами, ця особливість генетичного алгоритму використовувалося в сотнях прикладних програм, включаючи проектування літаків, налаштування параметрів алгоритмів і пошуку стійких станів систем нелінійних диференціальних рівнянь. p> Проте нерідкі випадки, коли генетичний алгоритм працює не так ефективно, як очікувалося. Припустимо, є реальна завдання, сполучена з пошуком оптимального рішення, як дізнатися, чи є генетичний алгоритм хорошим методом для її вирішення? До теперішнього часу не існує суворого відповіді, однак багато дослідників поділяють припущення, що якщо простір пошуку, яке належить досліджувати, - велике, і передбачається, що воно не зовсім гладке і унімодальне (тобто містить один гладкий екстремум) або не дуже зрозуміло, або якщо функція пристосованості з шумами, або якщо завдання не вимагає строго знаходження глобального оптимуму - тобто якщо достатньо швидко просто знайти прийнятне "хороше" рішення (що досить часто має місце в реальних завданнях) - генетичний алгоритм буде мати гарні шанси стати ефективною процедурою пошуку, конкуруючи і перевершуючи інші методи, які не використовують знання про просторі пошуку. p> Якщо ж простір пошуку невелике, то рішення може бути знайдене методом повного перебору, і можна бути впевненим, що найкраще можливе рішення знайдено, тоді як генетичний алгоритм міг з більшою ймовірністю зійтися до локального оптимуму, а не до глобально краще рішенню. Якщо простір гладке і унімодальне будь градієнтний алгоритм, такий як, метод швидкого спуску буде більш ефективний, ніж генетичний алгоритм. Якщо про простір пошуку є деяка додаткова інформація (Як, наприклад, простір для добре відомої задачі про комівояжера), методи пошуку, які використовують евристики, що визначаються простором, часто перевершують будь-який універсальний метод, яким є генетичний алгоритм. При доста точно складному рельєфі функції пристосованості методи пошуку з єдиним рішенням у кожен момент часу, такий як простий метод спуску, могли "затикатися" в локальному вирішенні, проте вважається, що генетичний алгоритм, так як вони працюють з цілою "популяцією" рішень, мають менше шансів зійтися до локального оптимуму і робастної функціонують на багатоекстремального ландшафті. p> Звичайно, такі гадки не пророкують строго, коли генетичний алгоритм буде ефективною процедурою пошуку, конкуруючої з іншими процедурами. Ефективність генетичного алгоритму сильно залежить від таких деталей, як метод кодування рішень, оператори, налаштування параметрів, приватний критерій успіху. Теоретична робота, відображена в літературі, присвяченій генетичним алгоритмам, не дає підстав говорити про вироблення яких суворих механізмів для чітких прогнозів. br/>
Символьна модель простого генетичного алгоритму
Мета в оптимізації за допомогою генетичного алгоритму полягає в тому, щоб знайти найкраще можливе рішення або рішення завдання по одному або декільком критеріям. Щоб реалізувати генетичний алгоритм потрібно спочатку вибрати відповідну структуру для подання цих рішень. У постановці задачі пошуку, примірник цієї структури даних представляє точку в просторі пошуку всіх можливих рішень. p> Структура даних генетичного алгоритму складається з однієї або більшу кількість хромосом (зазвичай з однієї). Як правило, хромосома - це бітова рядо...
