การนำไปใช้อย่างมีประสิทธิผล

GAs มีลักษณะทั่วไปมากและเพียงแค่นำไปใช้กับปัญหาการเพิ่มประสิทธิภาพใด ๆ ก็ไม่ได้ให้ผลลัพธ์ที่ดี ในส่วนนี้เราจะอธิบายประเด็นบางประการที่จะช่วยและช่วยเหลือนักออกแบบ GA หรือผู้ติดตั้ง GA ในการทำงานของพวกเขา

แนะนำความรู้เกี่ยวกับโดเมนเฉพาะปัญหา

เป็นที่สังเกตว่าความรู้เกี่ยวกับโดเมนเฉพาะปัญหามากขึ้นที่เรารวมไว้ใน GA; ค่าวัตถุประสงค์ที่ดีกว่าที่เราได้รับ การเพิ่มข้อมูลเฉพาะของปัญหาสามารถทำได้โดยใช้ตัวดำเนินการครอสโอเวอร์เฉพาะปัญหาหรือตัวดำเนินการการกลายพันธุ์การแทนค่าแบบกำหนดเอง ฯลฯ

ภาพต่อไปนี้แสดงมุมมองของ Michalewicz (1990) เกี่ยวกับ EA -

ลดความแออัด

ความแออัดเกิดขึ้นเมื่อโครโมโซมที่มีความพอดีสูงได้รับการสืบพันธุ์เป็นจำนวนมากและในอีกไม่กี่ชั่วอายุคนประชากรทั้งหมดจะเต็มไปด้วยโซลูชันที่คล้ายคลึงกันซึ่งมีความสมบูรณ์แบบ ซึ่งจะช่วยลดความหลากหลายซึ่งเป็นองค์ประกอบที่สำคัญมากในการรับรองความสำเร็จของ GA มีหลายวิธีในการ จำกัด ฝูงชน บางคนเป็น -

• Mutation เพื่อแนะนำความหลากหลาย

• กำลังเปลี่ยนไปใช้ rank selection และ tournament selection ซึ่งมีความกดดันในการเลือกมากกว่าการเลือกตามสัดส่วนการออกกำลังกายสำหรับบุคคลที่มีสมรรถภาพใกล้เคียงกัน

• Fitness Sharing - ในเรื่องนี้ความฟิตของแต่ละบุคคลจะลดลงหากประชากรมีบุคคลที่คล้ายคลึงกันอยู่แล้ว

การสุ่มช่วย!

มีการทดลองพบว่าโซลูชันที่ดีที่สุดขับเคลื่อนด้วยโครโมโซมแบบสุ่มเนื่องจากให้ความหลากหลายแก่ประชากร ผู้ใช้ GA ควรระมัดระวังเพื่อให้มีการสุ่มและความหลากหลายในจำนวนที่เพียงพอเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

ผสม GA กับการค้นหาในท้องถิ่น

การค้นหาในพื้นที่หมายถึงการตรวจสอบโซลูชันในพื้นที่ใกล้เคียงของโซลูชันที่กำหนดเพื่อค้นหาค่าวัตถุประสงค์ที่ดีขึ้น

บางครั้งอาจเป็นประโยชน์ในการผสม GA กับการค้นหาในท้องถิ่น ภาพต่อไปนี้แสดงสถานที่ต่างๆที่สามารถนำการค้นหาในท้องถิ่นมาใช้ใน GA

การเปลี่ยนแปลงของพารามิเตอร์และเทคนิค

ในอัลกอริทึมทางพันธุกรรมไม่มี“ ขนาดเดียวที่เหมาะกับทุกคน” หรือสูตรมหัศจรรย์ที่ใช้ได้กับทุกปัญหา แม้ว่า GA เริ่มต้นจะพร้อมแล้ว แต่ก็ยังต้องใช้เวลาและความพยายามอย่างมากในการเล่นกับพารามิเตอร์ต่างๆเช่นขนาดประชากรการกลายพันธุ์และความน่าจะเป็นแบบครอสโอเวอร์เป็นต้นเพื่อค้นหาค่าที่เหมาะสมกับปัญหานั้น ๆ