Skuteczna implementacja
Analizy GA mają bardzo ogólny charakter i samo zastosowanie ich do dowolnego problemu z optymalizacją nie dałoby dobrych wyników. W tej sekcji opisujemy kilka punktów, które pomogłyby i wspomogłyby projektanta GA lub implementującego GA w ich pracy.
Wprowadzenie wiedzy dziedzinowej specyficznej dla problemu
Zaobserwowano, że bardziej specyficzną dla problemu wiedzę dziedzinową włączamy do GA; otrzymujemy lepsze obiektywne wartości. Dodawanie informacji specyficznych dla problemu można wykonać za pomocą operatorów krzyżowania lub mutacji specyficznych dla problemu, niestandardowych reprezentacji itp.
Poniższe zdjęcie przedstawia pogląd Michalewicza (1990) na EA -
Zmniejsz tłumienie
Stłoczenie ma miejsce, gdy wysoce dopasowany chromosom często się rozmnaża, a za kilka pokoleń cała populacja jest wypełniona podobnymi rozwiązaniami o podobnej sprawności. Zmniejsza to różnorodność, która jest bardzo istotnym elementem zapewniającym sukces AH. Istnieje wiele sposobów na ograniczenie tłoku. Niektóre z nich to -
Mutation wprowadzić różnorodność.
Przełączać na rank selection i tournament selection które mają większą presję selekcyjną niż selekcja proporcjonalna do sprawności dla osób o podobnej sprawności.
Fitness Sharing - W tym przypadku sprawność osobista jest ograniczona, jeśli populacja zawiera już podobne osobniki.
Randomizacja pomaga!
Zaobserwowano eksperymentalnie, że najlepsze rozwiązania są napędzane przez losowe chromosomy, ponieważ zapewniają różnorodność populacji. Osoba wdrażająca GA powinna uważać, aby zachować wystarczającą liczbę randomizacji i różnorodności w populacji, aby uzyskać najlepsze wyniki.
Hybrydyzacja GA z wyszukiwaniem lokalnym
Wyszukiwanie lokalne polega na sprawdzaniu rozwiązań w sąsiedztwie danego rozwiązania w celu wyszukania lepszych wartości obiektywnych.
Czasami może być przydatne hybrydyzacja GA z wyszukiwaniem lokalnym. Poniższy obraz przedstawia różne miejsca, w których można wprowadzić wyszukiwanie lokalne w GA.
Zmienność parametrów i technik
W algorytmach genetycznych nie ma „jednego rozmiaru dla wszystkich” ani magicznej formuły, która działa na wszystkie problemy. Nawet gdy początkowe GA jest gotowe, zajmuje dużo czasu i wysiłku, aby bawić się parametrami, takimi jak wielkość populacji, prawdopodobieństwo mutacji i krzyżowania, itp., Aby znaleźć te, które pasują do konkretnego problemu.