Korzyści ze stosowania algorytmu genetycznego

13

Czy ktoś może mi wyjaśnić zalety algorytmu genetycznego w porównaniu z innymi tradycyjnymi metodami wyszukiwania i optymalizacji?

genetic-algorithms

— lakesh
źródło

4

Jakiego rodzaju GA? W porównaniu do jakich „tradycyjnych” metod? Bez tego można powiedzieć tylko coś takiego: „Szybsza konwergencja i mniejsze niebezpieczeństwo utknięcia w lokalnym optimum w niektórych aplikacjach”, tak samo jak w przypadku każdej innej metody optymalizacji.

19

Główne powody stosowania algorytmu genetycznego to:

istnieje wiele lokalnych optymów
funkcja celu nie jest płynna (więc nie można zastosować metod pochodnych)
liczba parametrów jest bardzo duża
funkcja celu jest głośna lub stochastyczna

Duża liczba parametrów może stanowić problem dla metod opartych na pochodnych, gdy nie masz definicji gradientu. W tego typu sytuacjach można znaleźć nie straszne rozwiązanie za pośrednictwem GA, a następnie poprawić je za pomocą metody opartej na pochodnych. Definicja „dużego” cały czas rośnie.

— Patrick Burns
źródło

3

+1. Kiedyś byłem zakochany w GA, ale teraz mam tendencję do ich unikania. Wydaje mi się, że przeszli fazę szumu, zainspirowali szereg metod analogicznych do natury (ACO itp.), A następnie powrócili do niszy. W pewnym sensie jak sieci neuronowe, z mojego osobistego nastawienia. (To powiedziawszy, ostatnio używałem ES).

— Wayne

1

Wayne, zgadzam się. Zwykle mówię „GA” dla dowolnej strategii ewolucyjnej, a mieszanie innych technik jest często dobrym pomysłem. Tradycyjne GA są wyjątkowo nieefektywne.

— Patrick Burns,

7

Koncepcja jest łatwa do zrozumienia
Modułowy, niezależny od aplikacji
Obsługuje wiele celów
optymalizacja Dobra dla „hałaśliwych” środowisk
Zawsze odpowiedź; z czasem odpowiedź staje się lepsza
Z natury równoległe; łatwo dystrybuowane

— Królewna Śnieżka
źródło

W mojej pracy łatwa równoległość była najważniejszym czynnikiem przy użyciu algorytmu genetycznego, a nie coś w rodzaju symulowanego wyżarzania.

— veryshuai

6

Algorytmy genetyczne różnią się od tradycyjnych metod wyszukiwania i optymalizacji w czterech istotnych punktach:

Algorytmy genetyczne szukają równolegle z populacji punktów. Dlatego ma zdolność unikania uwięzienia w lokalnym optymalnym rozwiązaniu, takim jak tradycyjne metody, które szukają z jednego punktu.
Algorytmy genetyczne wykorzystują probabilistyczne reguły selekcji, a nie deterministyczne.
Algorytmy genetyczne działają na chromosomie, który jest zakodowaną wersją parametrów potencjalnych rozwiązań, a nie samych parametrów.
Algorytmy genetyczne wykorzystują wynik fitness, który jest uzyskiwany z funkcji celu, bez innych pochodnych lub informacji pomocniczych

— lakesh
źródło

3

Algorytmy genetyczne są swego rodzaju ostatecznością. Są one przydatne tylko wtedy, gdy rozwiązanie analityczne nie jest możliwe (patrz odpowiedź Patryka z najczęstszych powodów), a masz dużo czasu na procesor.

— Carlos Accioly
źródło