遺伝的アルゴリズム-はじめに

遺伝的アルゴリズム(GA)は、次の原則に基づく検索ベースの最適化手法です。 Genetics and Natural Selection。これは、解決に一生かかる困難な問題に対する最適またはほぼ最適な解決策を見つけるために頻繁に使用されます。最適化問題の解決、研究、機械学習で頻繁に使用されます。

最適化の概要

最適化はのプロセスです making something better。どのプロセスでも、次の図に示すように、入力のセットと出力のセットがあります。

最適化とは、「最良の」出力値が得られるような方法で入力の値を見つけることです。「最良」の定義は問題ごとに異なりますが、数学的には、入力パラメーターを変更することにより、1つ以上の目的関数を最大化または最小化することを指します。

入力が取ることができるすべての可能なソリューションまたは値のセットは、検索スペースを構成します。この探索空間には、最適解を与える点または点のセットがあります。最適化の目的は、検索空間でそのポイントまたはポイントのセットを見つけることです。

遺伝的アルゴリズムとは何ですか?

自然は常にすべての人類にとって素晴らしいインスピレーションの源でした。遺伝的アルゴリズム(GA)は、自然淘汰と遺伝学の概念に基づく検索ベースのアルゴリズムです。GAは、次のように知られるはるかに大きな計算ブランチのサブセットです。Evolutionary Computation

GAは、ミシガン大学のJohn Hollandと彼の学生および同僚、特にDavid E. Goldbergによって開発され、それ以来、さまざまな最適化問題で試行され、高い成功を収めています。

GAには、 pool or a population of possible solutions与えられた問題に。次に、これらのソリューションは(自然遺伝学のように)組換えと突然変異を受け、新しい子供を生み出し、このプロセスはさまざまな世代にわたって繰り返されます。各個体(または候補解)には(その目的関数値に基づいて)適応度値が割り当てられ、より適切な個体には、より多くの「より適切な」個体を交配して産出する可能性が高くなります。これは、ダーウィンの「適者生存」の理論と一致しています。

このようにして、私たちは停止基準に達するまで、世代を超えてより良い個人またはソリューションを「進化」させ続けます。

遺伝的アルゴリズムは本質的に十分にランダム化されていますが、履歴情報も活用するため、ランダムローカル検索(さまざまなランダムソリューションを試し、これまでの最良のものを追跡する)よりもはるかに優れたパフォーマンスを発揮します。

GAの利点

GAにはさまざまな利点があり、非常に人気があります。これらには以下が含まれます-

  • 派生情報は必要ありません(多くの実際の問題では利用できない場合があります)。

  • 従来の方法と比較して、より高速で効率的です。

  • 非常に優れた並列機能を備えています。

  • 連続関数と離散関数の両方、および多目的問題を最適化します。

  • 単一のソリューションだけでなく、「優れた」ソリューションのリストを提供します。

  • 問題に対する答えは常に得られますが、時間の経過とともに改善されます。

  • 検索スペースが非常に大きく、関連するパラメーターが多数ある場合に役立ちます。

GAの制限

他の手法と同様に、GAにもいくつかの制限があります。これらには以下が含まれます-

  • GAは、すべての問題、特に単純で派生情報が利用可能な問題に適しているわけではありません。

  • 適応度の値は繰り返し計算されますが、問題によっては計算コストが高くなる可能性があります。

  • 確率論的であるため、ソリューションの最適性や品質は保証されません。

  • 適切に実装されていない場合、GAは最適解に収束しない可能性があります。

GA –動機

遺伝的アルゴリズムには、「十分な」ソリューションを「十分な速さ」で提供する機能があります。これにより、遺伝的アルゴリズムは最適化問題の解決に使用するのに魅力的です。GAが必要な理由は次のとおりです。

難しい問題の解決

コンピュータサイエンスには、さまざまな問題があります。 NP-Hard。これが本質的に意味することは、最も強力なコンピューティングシステムでさえ、その問題を解決するのに非常に長い時間(さらには数年!)かかるということです。このようなシナリオでは、GAは提供するための効率的なツールであることが証明されていますusable near-optimal solutions 短時間で。

グラジエントベースのメソッドの失敗

従来の微積分ベースの方法は、ランダムなポイントから開始し、丘の頂上に到達するまで勾配の方向に移動することによって機能します。この手法は効率的であり、線形回帰のコスト関数などの単一ピークの目的関数に非常に適しています。しかし、ほとんどの現実の状況では、ランドスケープと呼ばれる非常に複雑な問題があります。ランドスケープは、多くの山と谷で構成されており、局所的な最適点にとらわれるという固有の傾向に悩まされているため、このような方法は失敗します。次の図に示すように。

優れたソリューションを迅速に入手

巡回セールスマン問題(TSP)のようないくつかの難しい問題には、経路探索やVLSI設計などの実際のアプリケーションがあります。ここで、GPSナビゲーションシステムを使用していて、送信元から宛先までの「最適な」パスを計算するのに数分(または数時間)かかると想像してください。このような実際のアプリケーションでの遅延は許容できないため、「高速」で提供される「十分な」ソリューションが必要です。