قبل از جهش: چرا باهوش ترین الگوریتم های ژنتیکی موفقیت خود را پیش بینی می کنند

الگوریتم های ژنتیکی (گاز) تکامل طبیعی آینه برای حل پازل های بهینه سازی پیچیده با شبیه سازی انتخاب ، متقاطع و جهش. با این حال ، در استقرار در دنیای واقعی ، موفقیت بسیار غیرقابل پیش بینی است.

گاهی اوقات گاز راه حل های باورنکردنی پیدا می کند. بعضی اوقات آنها منابع را بی وقفه هدر می دهند ، که در Optima محلی به دام می افتند یا توسط رانش ژنتیکی فلج می شوند.

تصور کنید که آیا می توانیم قبل از اجرای پیش بینی کنیم که آیا یک GA موفق خواهد شد ، صرفه جویی در وقت ، انرژی و هزینه های عظیم را صرفه جویی می کند.

امروز ، ما به رفتار GA به عنوان یک مشکل پیش بینی علوم داده ، ترکیب شبیه سازی ، مدل سازی و پیش بینی آماری نزدیک می شویم. ما مدلهای پیش بینی کننده را توسعه خواهیم داد ، جزئیات روش کامل خود را شرح می دهیم ، نتایج را به مرحله به مرحله توضیح می دهیم و بینش هایی را در مورد آینده ای دقیق تر و سازگار تر تکاملی ارائه می دهیم.

عینی

پیش بینی کنید که آیا الگوریتم ژنتیکی در محدوده زمان و منابع معقول به یک راه حل رضایت بخش تبدیل می شود.

پیش بینی تعداد نسلی که احتمالاً برای دستیابی به همگرایی لازم هستند و به بهینه سازی بودجه محاسبه کمک می کنند.

برنامه های دنیای واقعی

سیستم های برنامه ریزی مبتنی بر GA برای موسسات آموزشی و شرکتهای در مقیاس بزرگ.

مسیریابی و بهینه سازی تحویل تحت محدودیت های پویا در دنیای واقعی.

جستجوی هایپرپارامتر در خودرو سیستم ها و جستجوهای معماری عصبی.

محاسبه هزینه و جلوگیری از زمان با پیش بینی بیهودگی زودهنگام.

طراحی سیستم های ارکستراسیون هوشمند برای تحقیقات و کاربردهای صنعتی.

چارچوب های یادگیری متا که در آن انتخاب الگوریتم به صورت خودکار است.

ما 10،000 اجرای GA مستقل با تنظیمات متنوع را شبیه سازی کردیم.

پارامترهای متنوع شامل:

اندازه جمعیت: 20 تا 500 فرد ، کنترل تنوع ژنتیکی.

میزان جهش: 0.001 به… وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر

منتشر شده از طریق به سمت هوش مصنوعی