Преимущества использования генетического алгоритма


13

Может ли кто-нибудь объяснить мне преимущества генетического алгоритма по сравнению с другими традиционными методами поиска и оптимизации?


4
Что за ГА? По сравнению с какими "традиционными" методами? Без этого можно только сказать что-то вроде «более быстрой сходимости и меньшей опасности застрять в локальном оптимуме в некоторых приложениях», как и в случае любого другого метода оптимизации.

Ответы:


19

Основными причинами использования генетического алгоритма являются:

  • Есть несколько локальных оптимумов
  • целевая функция не является гладкой (поэтому производные методы не могут быть применены)
  • количество параметров очень велико
  • целевая функция шумная или стохастическая

Большое количество параметров может быть проблемой для производных методов, когда у вас нет определения градиента. В такой ситуации вы можете найти не ужасное решение с помощью GA, а затем улучшить его с помощью производного метода. Определение «большой» постоянно растет.


3
+1. Раньше я был очарован GA, но теперь стараюсь их избегать. Мне кажется, что они прошли фазу шумихи, вдохновили группу методов, аналогичных естественным (ACO и т. Д.), А затем вернулись в нишу. Вроде как Нейронные Сети, в моем личном предубеждении. (Тем не менее, я недавно использовал ES.)
Уэйн

1
Уэйн, я согласен. Я склонен говорить «GA» для любой эволюционной стратегии, и смешивание в других техниках также часто является хорошей идеей. Традиционные ГА ужасно неэффективны.
Патрик Бернс

7
  • Концепция проста для понимания
  • Модульный, отдельный от приложения
  • Поддерживает многоцелевой
  • оптимизация Хорошо для «шумных» сред
  • Всегда ответ; ответ становится лучше со временем
  • По своей сути параллельный; легко распространяется

В моей работе легкое распараллеливание было единственным наиболее важным фактором при использовании генетического алгоритма, а не чем-то вроде имитации отжига.
veryshuai

6

Генетические алгоритмы отличаются от традиционных методов поиска и оптимизации в четырех важных моментах:

  • Генетические алгоритмы поиска параллельны из совокупности точек. Следовательно, он может избежать попадания в локальное оптимальное решение, подобное традиционным методам, которые выполняют поиск из одной точки.
  • Генетические алгоритмы используют вероятностные правила отбора, а не детерминированные.
  • Генетические алгоритмы работают на хромосоме, которая является закодированной версией параметров потенциальных решений, а не самих параметров.
  • Генетические алгоритмы используют оценку пригодности, которая получается из целевых функций, без другой производной или вспомогательной информации

3

Генетические алгоритмы являются своего рода последним средством. Они полезны только тогда, когда аналитическое решение неосуществимо (см. Ответ Патрика для наиболее распространенных причин), и у вас много процессорного времени в ваших руках.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.