Hur optimera layout av en genetisk algoritm

Genetiska algoritmer är en artificiell intelligens teknik inspirerad av naturen . Evolution "designer " nya djur för att passa in i miljöer i ett strikt mekaniskt sätt som tycks uppvisa intelligens . Genetiska algoritmer är ett bra sätt att lösa designproblem när du inte har något självklart sätt att gå vidare . Om du kan kasta ett problem som optimering av värdena i en rad siffror , kan en genetisk algoritm hitta denna optimering . Hur du organiserar parametrarna för den genetiska algoritmen visar sig vara avgörande för att optimera lösningen på ett problem. Instruktioner
1

Utforma layouten på genetisk algoritm . Genetiska algoritmer fungera för problem , där lösningen på problemet består av att optimera värdena på en sträng av siffror . En population av strängar utvärderas och manipuleras på sätt som föreslagits av utvecklingen fram till en av befolkningen är en sträng som är lösningen på ett specifikt problem . Layouten av algoritmen består i att designa layouten på strängarna , designa algoritmer för att manipulera befolkningen och utvärdera strängarna i varje generation
2

Börja med en slumpmässig population : . Många strängar där alla nummer i alla strängar valdes slumpmässigt . Utvärdera alla strängarna och kasta strängarna med de lägsta utvärderingar . Applicera två evolutionära tekniker för att de högpresterande : mutation och crossover . Mutation består i att välja ett litet antal platser på ett litet antal strängar och ändra numret lite antingen upp eller ner . Crossover består i kö två strängar , plocka en slumpmässig " delningsfrekvens " och byta huvuden och svansar vid korsningspunkten. Framgångarna från den sista generationen plus de nyskapade strängarna utgör den nya populationen . Varje generation har samma antal strängar i befolkningen . Addera 3

kör denna algoritm i flera generationer och titta på den bästa strängen . Om det inte är tillräckligt bra , måste du ändra vissa av parametrarna och köra algoritmen igen . en av de största förändringarna du kan göra är att ändra hur strängarna är gjorda . anta till exempel att du försöker utforma det inre av förbränningskammare i en jetmotor . strängarna kan bestå av 20 mätningar som gjorts på insidan av konstruktionen av motorn . Från och med olika mått är den förändring som är mest sannolikt att ge dig ett bättre svar .
4

de viktiga parametrar att justera när du optimerar din algoritm är mutationsfrekvens, befolkningens storlek , antalet värden på ett snöre och lägena för värdena på strängen - . oavsett om de är i mitten eller på ändarna Addera