Manfaat menggunakan algoritma genetika

13

Adakah yang bisa menjelaskan kepada saya manfaat dari algoritma genetika dibandingkan dengan metode pencarian dan optimisasi tradisional lainnya?

genetic-algorithms

— Lakesh
sumber

4

GA macam apa? Dibandingkan dengan metode "tradisional" apa? Tanpa ini, orang hanya dapat mengatakan sesuatu seperti "Konvergensi yang lebih cepat dan bahaya yang lebih kecil dari terjebak dalam optimal lokal di beberapa aplikasi", sama seperti untuk metode optimasi lainnya.

19

Alasan utama untuk menggunakan algoritma genetika adalah:

ada beberapa optima lokal
fungsi obyektif tidak lancar (jadi metode turunannya tidak bisa diterapkan)
jumlah parameternya sangat besar
fungsi objektifnya berisik atau stokastik

Sejumlah besar parameter dapat menjadi masalah untuk metode berbasis turunan saat Anda tidak memiliki definisi gradien. Dalam situasi seperti ini, Anda dapat menemukan solusi yang tidak buruk melalui GA dan kemudian memperbaikinya dengan metode berbasis turunan. Definisi "besar" terus berkembang setiap saat.

— Patrick Burns
sumber

3

+1. Saya dulu suka dengan GA, tapi sekarang cenderung menghindarinya. Tampaknya bagi saya bahwa mereka melalui fase sensasi, mengilhami banyak metode analog-ke-alam (ACO, dll) dan kemudian memudar kembali ke ceruk. Semacam Jaring Saraf, dalam bias pribadi saya. (Yang mengatakan, saya telah menggunakan ES baru-baru ini.)

— Wayne

1

Wayne, aku setuju. Saya cenderung mengatakan "GA" untuk strategi evolusi apa pun, dan mencampurkan teknik lain juga sering merupakan ide yang bagus. Gas tradisional sangat tidak efisien.

— Patrick Burns

7

Konsepnya mudah dimengerti
Modular, terpisah dari aplikasi
Mendukung multi-objektif
optimisasi Bagus untuk lingkungan "berisik"
Selalu ada jawaban; Jawabannya menjadi lebih baik seiring waktu
Pararel secara inheren; mudah didistribusikan

— putri Salju
sumber

Dalam pekerjaan saya, paralelisasi yang mudah adalah satu-satunya faktor terpenting dalam menggunakan algoritma genetika daripada sesuatu seperti annealing yang disimulasikan.

— veryshuai

6

Algoritma genetika berbeda dari metode pencarian dan optimisasi tradisional dalam empat poin penting:

Algoritma genetika mencari paralel dari populasi titik. Oleh karena itu, ia memiliki kemampuan untuk menghindari terjebak dalam solusi optimal lokal seperti metode tradisional, yang mencari dari satu titik.
Algoritma genetika menggunakan aturan seleksi probabilistik, bukan yang deterministik.
Algoritma genetika bekerja pada Chromosome, yang merupakan versi yang dikodekan dari parameter solusi potensial, bukan parameter itu sendiri.
Algoritma genetika menggunakan skor kebugaran, yang diperoleh dari fungsi objektif, tanpa informasi turunan atau tambahan lainnya

— Lakesh
sumber

3

Algoritma genetika adalah jenis upaya terakhir. Mereka hanya berguna ketika solusi analitis tidak layak (lihat jawaban Patrick untuk alasan paling umum), dan Anda memiliki banyak waktu CPU di tangan Anda.

— Carlos Accioly
sumber