Які проблеми в реальному світі вирішено за допомогою генетичного алгоритму? В чому проблема? Який тест на придатність використовується для вирішення цієї проблеми?
Які проблеми в реальному світі вирішено за допомогою генетичного алгоритму? В чому проблема? Який тест на придатність використовується для вирішення цієї проблеми?
Відповіді:
Оптимізатор у реляційних базах даних. Прикладами є PostgreSQL і H2 ; інші бази даних, швидше за все, також використовують генетичний алгоритм. Проблема полягає в тому, що вибір найкращого плану запитів (той, з найнижчою оціночною вартістю) є важким для NP. Тест на придатність - це орієнтовна вартість.
Ламарку Генетичний алгоритм використовується в хемоінформатика для скринінгу потенційних нових лікарських сполук , які можуть зв'язуватися з певним рецептором.
Обчислювальна проблема полягає в пошуку хімічної бази даних для кандидатів, які можуть правильно зорієнтуватися (wrt можливі орієнтації молекули, що містить рецептор), і поєднати це з конформаційним пошуком (тобто таким, який враховує можливі обертові кручення молекули , що може сильно вплинути на реакцію ).
Раніше було здійснено пошук орієнтації або пошук конформації, але не обидва. LGA використовує переваги комп'ютерного прискорення та поєднує глобальний пошук генетичного алгоритму з локальним пошуком.
Nasa створила генетичний алгоритм для проектування антен .
Тест на придатність такий:
Функція фітнесу, що використовується для оцінки антен, є функцією співвідношення хвилі стоячої напруги (VSWR) та отримання значень на частотах передачі та прийому. VSWR - це спосіб кількісної оцінки перешкод відбитої хвилі, а отже, величини невідповідності імпедансу на стику. VSWR - відношення між найвищою напругою і найнижчою напругою в сигнальній оболонці вздовж лінії передачі.
Вони часто використовуються у фінансах, особливо для проблем оптимізації портфеля. На цю тему існує багато робіт, але див., Наприклад, Генетичні алгоритми в оптимізації портфоліо .
Я використовував GA для вирішення завдань планування виробництва та освіти. Функція фітнесу в першому випадку полягала в тому, що кількість запитуваних виробів виготовлена в задані часові рамки, а в другому випадку придатність базувалася на штрафуючих графіках з конфліктами.
Якщо вас цікавлять додатки, ось посилання на документи 20K + на citeseerx
Я не можу встояти, але зазначу роботу Роджера Альсінга:
http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-mona-lisa/
Уявіть образ Мона Лізи, використовуючи лише 50 напівпрозорих трикутників.
Дизайн антен вже згадувався, і це надзвичайно багата область. (Це дуже прямо саме те, що почало мій рух від електротехніки до інформатики (наприкінці 90-х років), а точніше до біоінспірованих обчислень та штучного інтелекту (протягом останніх п’яти років тощо))
У цьому ж сенсі я додам оптимізацію антенного масиву , особливо для поетапної оптимізації масиву, яка є головними болями в дизайні антен тощо. Насправді є можливості у всій галузі дизайну електромагнітних пристроїв: антени, антенні масиви, мікрохвильові фільтри, оптичні решітки, метаматеріальна конструкція пристрою - все це вгорі голови. Датоване опитування - електромагнітна оптимізація генетичними алгоритмами , а більш недавнє опитування - генетичні алгоритми в електромагніті . (Я справді повинен придбати цю другу.
Я також бачив багато хороших робіт щодо дизайну неелектромагнітних мікросхем: GA розробляють конкурентоспроможний підсилювач або інші конструкції інтегральних схем, GA "вчаться" використовувати переваги аналогових недосконалостей в FPGA для реалізації аналогових функцій, таких як годинники тощо. Навіть щось таке просте, як німа, дискретна конструкція фільтруючих елементів може бути ціллю для GA: Я бачив один, який впливає на коефіцієнти q, допуски, дискретні значення та паяння паразитичних моделей, щоб отримати хороші, виготовлені фільтри з деталі, які у вас є під рукою.
Вони часто пов'язані з деякими новими (для мене, як би то не було) схемами, щоб генетичні оператори підходили до парадигми, а також хромосоми змінних розмірів.
нещодавно виникло питання щодо використання ГА для еволюціонування конструкцій лопат вітрових турбін, використовуючи динаміку рідинної динаміки фізичної потужності, що генерується як функція придатності.
У цьому відео показано використання генетичного алгоритму для розробки лопатей вітротурбіни VAWT. Одне з отриманих лез зовсім інше і, здається, добре імітує. Програмне забезпечення для розведення було написане на Perl, дисплейне програмне забезпечення Java, а програмне забезпечення CFD - OpenFoam. На створення цього відео пішло більше 672 годин процесора. Примітка: з того часу я виявив, що в цьому експерименті використовував неправильну в'язкість для повітря, тому результати не застосовуються для використання на землі. (Можливо, Юпітер.)
[1] "Лопатки вітрогенераторів, що розвиваються" на youtube від "sjh7132". цитується з / з питання TCS.se: Наскільки можливо використовувати генетичні алгоритми, щоб зробити лопатки вітрогенераторів більш ефективними?
є деякі дослідження використання ГС для класифікації вина. він точно класифікує сорт вина та місце виробництва ("деномінація походження"). [1] це підмножина використання ГС в сільськогосподарських системах, яких існує багато застосувань. [2]
[1] Описати алгоритми відбору, використовуючи чилійські хроматограми для вина, як приклади NHBeltran et al
[2] Стан мистецтва в генетичних алгоритмах для сільськогосподарських систем Bolboaca et al
Є багато робіт про використання ГА для управління польотами в аерокосмічному полі. багато з них публікуються або шукаються в досліднику IEEE . функція фітнесу зазвичай вимірює, наскільки добре / ефективно алгоритм керує польотом.
[1] Проектування та оптимізація системи управління польотом за допомогою генетичного алгоритму Fantinutto et al
[2] Застосування генетичних алгоритмів для гіперзвукового контролю польоту. Остін, Джейкобс.
[3] Багатоядерна реалізація системи управління польотом F-16 за допомогою адаптивного алгоритму управління на основі генетичного алгоритму Xiaoru Wang
[4] Нечітке логічне управління на основі генетичного алгоритму для інтегрованого управління польотом для гіперзвукових транспортних засобів. Ван Цзянь
чудове, навіть неординарне або парадигмне зміщення використання GA, на яке вже згадувалося в наступних опитуваннях, Коза запровадило для вирішення "проблеми" відеоігри - а саме Pac Man для підтвердження принципу, але ця концепція, можливо, може бути застосована до, можливо, майже будь-яка відеоігра, а результати, безумовно, далеко не банальні чи «іграшкові».
тобто він розвивав алгоритми, які реалізують реальну поведінку, щоб виграти в грі протягом тривалих періодів часу. результати на рівні продуктивності аматорських чи навіть просунутих гравців людини. функція фітнесу може бути або очками, набраними алгоритмом, або тривалістю відтвореного часу (пізніше, імовірно, розвиватимуться алгоритми, які виживають без очок, наприклад, класичний випадок «полювання» космічних кораблів у грі «Астероїди»). поведінка реалізується за допомогою "примітивів" (наприклад, чудовиськ / діяти поворотом тощо) та дерев, що представляють комбінації примітивних стратегій.
[1] Розвиваючі різноманітні пані Пак-Людина, що грають агенти, використовуючи генетичне програмування Атіф М. Алхеджалі та Саймон М. Лукас
[2] Навчання грати в Pac-Man: еволюційний підхід, заснований на правилах Галлахер та Райан
[3] Навчання грати, використовуючи політику, засновану на правилах з низькою складністю: ілюстрації через пані Пак-Ман від Іштвана Шзіти Андраша L ~ orincz
Щорічна конференція GECCO (майже головне місце проведення еволюційних обчислювальних досліджень) має «Реальні програми світу».
Дивіться також цю нещодавню презентацію: