Comment optimiser la mise en page d’un algorithme génétique

Les algorithmes génétiques sont une technique d’intelligence artificielle inspirée par la nature . Evolution  » designs  » nouveaux animaux pour s’adapter à des environnements d’une manière strictement mécanique qui semble présenter intelligence . Les algorithmes génétiques sont un moyen utile pour résoudre les problèmes de conception lorsque vous n’avez pas de façon évidente de procéder . Si vous pouvez jeter un problème que l’optimisation des valeurs dans une chaîne de nombres , un algorithme génétique peut trouver cette optimisation . Comment organisez-vous les paramètres de l’algorithme génétique s’avère être cruciale pour l’optimisation de la solution à un problème particulier . Instructions
Le 1

conception de la mise en page de votre algorithme génétique . Les algorithmes génétiques travaillent pour des problèmes où la solution du problème consiste à optimiser les valeurs d’une chaîne de nombres . Une population de chaînes sont évaluées et manipulé de manière proposées par l’évolution jusqu’à ce que l’un de la population est une chaîne qui est la solution à un problème spécifique . La disposition de l’algorithme consiste à concevoir la disposition des chaînes , la conception des algorithmes pour manipuler la population et évaluer les cordes à chaque génération
2

commencer avec une population aléatoire : . Un grand nombre de chaînes où tous les numéros de toutes les chaînes ont été choisis au hasard . Évaluer toutes les chaînes et jeter les cordes avec les évaluations les plus bas . Appliquer deux techniques évolutives pour les plus performants : mutation et de croisement . Mutation consiste à sélectionner un petit nombre de places sur un petit nombre de chaînes et de modifier le nombre un peu vers le haut ou vers le bas . Crossover consiste à aligner deux chaînes , le choix d’un  » point de croisement aléatoire» et commuter les têtes et les queues au point de croisement . Les succès de la dernière génération ainsi que les chaînes nouvellement créées constituent la nouvelle population . Chaque génération a le même nombre de chaînes de la population .
3

exécuter cet algorithme pour plusieurs générations et regardent la meilleure chaîne . Si ce n’est pas assez bon , vous devez modifier certains paramètres et exécuter l’algorithme nouveau . l’un des changements les plus importants que vous pouvez faire est de changer la façon dont les cordes sont faites . Par exemple , supposons que vous essayez de concevoir l’intérieur de la chambre de combustion d’un moteur à réaction . les chaînes peuvent être constitués de 20 mesures effectuées sur l’intérieur de la conception du moteur . partir de différentes mesures est le changement qui est le plus susceptible de vous donner une meilleure réponse.
4

les paramètres importants à tordre lors de l’optimisation de votre algorithme sont le taux de mutation , taille de la population , le nombre de valeurs sur une chaîne et les positions des valeurs sur la chaîne – si elles sont au milieu ou sur les extrémités

.