Преимущества использования генетического алгоритма

13

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

genetic-algorithms

— lakesh
источник

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.

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.

— Патрик Бернс
источник

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

— чистый белый цвет
источник

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

— lakesh
источник

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.

— Карлос Аккиоли
источник