อัลกอริทึมทางพันธุกรรม - พื้นที่การใช้งาน

Genetic Algorithms ส่วนใหญ่จะใช้ในปัญหาการเพิ่มประสิทธิภาพประเภทต่าง ๆ แต่มักใช้ในแอปพลิเคชันอื่น ๆ เช่นกัน

ในส่วนนี้เราจะแสดงรายการบางส่วนที่มักใช้ Genetic Algorithms เหล่านี้คือ -

• Optimization- Genetic Algorithms มักใช้ในปัญหาการเพิ่มประสิทธิภาพซึ่งเราต้องเพิ่มหรือลดค่าฟังก์ชันวัตถุประสงค์ที่กำหนดให้มากที่สุดภายใต้ชุดข้อ จำกัด ที่กำหนด แนวทางในการแก้ปัญหาการเพิ่มประสิทธิภาพได้รับการเน้นตลอดบทช่วยสอน

• Economics - GAs ยังใช้เพื่อกำหนดลักษณะของโมเดลทางเศรษฐกิจต่างๆเช่นแบบจำลองใยแมงมุมความละเอียดสมดุลทฤษฎีเกมการกำหนดราคาสินทรัพย์ ฯลฯ

• Neural Networks - GAs ยังใช้ในการฝึกเครือข่ายประสาทโดยเฉพาะอย่างยิ่งเครือข่ายประสาทที่เกิดซ้ำ

• Parallelization - GAs ยังมีความสามารถแบบคู่ขนานที่ดีมากและพิสูจน์แล้วว่ามีประสิทธิภาพมากในการแก้ปัญหาบางอย่างและยังเป็นพื้นที่ที่ดีสำหรับการวิจัย

• Image Processing - GAs ใช้สำหรับงานการประมวลผลภาพดิจิทัล (DIP) ต่างๆเช่นเดียวกับการจับคู่พิกเซลที่หนาแน่น

• Vehicle routing problems - ด้วยหน้าต่าง soft time หลาย ๆ คลังหลายคลังและกองเรือที่แตกต่างกัน

• Scheduling applications - GAs ใช้ในการแก้ปัญหาการตั้งเวลาต่างๆเช่นกันโดยเฉพาะปัญหาการจัดตารางเวลา

• Machine Learning - ตามที่ได้กล่าวไปแล้วการเรียนรู้ของเครื่องตามพันธุศาสตร์ (GBML) เป็นพื้นที่เฉพาะในการเรียนรู้ของเครื่อง

• Robot Trajectory Generation - GAs ถูกนำมาใช้เพื่อวางแผนเส้นทางที่แขนหุ่นยนต์ใช้โดยการเคลื่อนที่จากจุดหนึ่งไปยังอีกจุดหนึ่ง

• Parametric Design of Aircraft - GAs ถูกนำมาใช้เพื่อออกแบบเครื่องบินโดยเปลี่ยนพารามิเตอร์และพัฒนาโซลูชันที่ดีขึ้น

• DNA Analysis - มีการใช้ GAs เพื่อกำหนดโครงสร้างของ DNA โดยใช้ข้อมูลสเปกโตรเมตริกเกี่ยวกับตัวอย่าง

• Multimodal Optimization - เห็นได้ชัดว่า GAs เป็นแนวทางที่ดีมากสำหรับการเพิ่มประสิทธิภาพแบบหลายรูปแบบซึ่งเราต้องหาโซลูชันที่เหมาะสมหลายอย่าง

• Traveling salesman problem and its applications - GAs ถูกนำมาใช้เพื่อแก้ปัญหา TSP ซึ่งเป็นปัญหาที่รู้จักกันดีโดยใช้กลยุทธ์การไขว้และการบรรจุแบบใหม่