Переваги використання генетичного алгоритму

13

Чи може хто-небудь пояснити мені переваги генетичного алгоритму порівняно з іншими традиційними методами пошуку та оптимізації?

genetic-algorithms

— озеро
джерело

4

Що за ГА? У порівнянні з якими «традиційними» методами? Без цього можна сказати лише щось на кшталт "Швидше конвергенція та менша небезпека застрягти в локальному оптимумі в деяких додатках", як і для будь-якого іншого методу оптимізації.

19

Основними причинами використання генетичного алгоритму є:

є кілька локальних оптимів
цільова функція не є гладкою (тому похідні методи не можна застосовувати)
кількість параметрів дуже велика
об'єктивна функція - шумна або стохастична

Велика кількість параметрів може бути проблемою для похідних методів, коли у вас немає визначення градієнта. У такому типі ситуації ви можете знайти не страшне рішення через GA, а потім покращити це за допомогою похідного методу. Визначення "великий" постійно зростає.

— Патрік Бернс
джерело

3

+1. Раніше я був закоханий у GA, але зараз їх уникаю. Мені здається, що вони пройшли фазу ажіотажу, надихнули купу аналогічних за своєю природою методів (ACO тощо), а потім зникли назад у нішу. Начебто нейронні сітки, в моїх особистих упередженнях. (Це було сказано, я нещодавно використовував ES.)

— Wayne

1

Уейн, я згоден. Я схильний говорити "GA" для будь-якої еволюційної стратегії, і змішування інших методів також часто є хорошою ідеєю. Традиційні ГА жахливо неефективні.

— Патрік Бернс

7

Концепція зрозуміла легко
Модульний, окремий від застосування
Підтримує багатоцільовість
оптимізація Добре для "галасливих" середовищ
Завжди відповідь; відповідь з часом стає кращою
По суті своїй паралельний; легко поширюється

— Білосніжка
джерело

У моїй роботі легка паралелізація була найважливішим фактором використання генетичного алгоритму, а не щось подібне до імітаційного відпалу.

— veryshuai

6

Генетичні алгоритми відрізняються від традиційних методів пошуку та оптимізації в чотирьох важливих моментах:

Генетичні алгоритми шукають паралельно з сукупністю точок. Тому він має можливість уникнути попадання в оптимальне місцеве рішення, як традиційні методи, які шукають з однієї точки.
Генетичні алгоритми використовують імовірнісні правила відбору, а не детерміновані.
Генетичні алгоритми працюють на хромосомі, яка є кодованою версією параметрів потенційних рішень, а не самих параметрів.
Генетичні алгоритми використовують показник фітнесу, який отримують з об'єктивних функцій, без іншої похідної чи допоміжної інформації

— озеро
джерело

3

Генетичні алгоритми - це в крайньому випадку. Вони корисні лише тоді, коли аналітичне рішення неможливо (див. Відповідь Патріка з найпоширеніших причин), і у вас багато часу на процесорі.

— Карлос Акціо
джерело