XIII. Препоръки

Параметри на GA

Тази глава дава някои основни препоръки относно реализацията на собствени генетични алгоритми. Препоръките са много общи. Вероятно по интересно би било експериментиране със собствени GA за специфичен проблем, защото до днес няма основна теория която да о писва параметрите на GA за който и да е проблем.

Препоръките са често резултат от някои емпирични изследвания на GAs, които често са изпълнени само за двоично кодиране.

Степен на кръстосване
Степента на кръстосване основно трябва да бъде висока, около 80%-95%. (Обаче някои резултати показват как за някои проблеми степен на кръстосване 60% е най-добра.)
Степен на мутация
От друга страна, степента на мутация трябва да бъде много малка. Най-добрата отчетена степен е около 0.5%-1%.
Размер на популацията
Може да е изненадващо, но много голяма размер на популацията обикновено не подобрява изпълнението на GA (в смисъл на бързина при намирането на решение). Добър размер на популацията е около 20-30, обаче по някога размер от 50-100 се отчита като най-добър. Някои изследвания също показват, че най-добрия размер на популацията зависи от кодирането, от размера на кодирания низ . Това означава, че ако има хромозома с 32 бита, популацията трябва да бъде примерно 32, но вероятно два пъти повече от най-добрия размер на популация с хромозома от 16 бита. h 16 bits.
Селекция
Основно селекция по рулетка може да бъде ползвана, но понякога селекция по ранг може да е по-добра. Проверете главата за селекция за предимстава и недостатъци. Има още няколко разширени метода, които променят пара метъра на селекция по време изпълнението на GA. Основно те се държат като симулирани твърди. Но вероятно прехвърлянето трябва да бъде използвано (ако не се ползва друг метод за съхранение на най-доброто решение). Може също да се опита изследване н а селекция по състояние.
Кодиране
Кодирането зависи от проблема и също от размера на инстанциите в проблема. Погледнете главата относно кодиране за някои предложения или погледнете други ресурси.
Типове кръстосване и мутация
Операциите зависят от кодирането и от проблема. Проверете главата относно операциите за някои предложения. Също може да проверите други site-ове.

Приложение на GA

Генетични алгоритми се използват при труди проблеми (като NP-трудни), за машинно обучение и прости развиващите се програми. Те също се ползват за някои изкуства, за развиващи се картини и музика.

Предимство на GAs е техния паралелизъм. GA е пътуване в пространството на търсене с повече индивидуалност (и с генотип по скоро фенотип) така те са по гъвкави при попадане в локален екстремум за разлика от някои други методи.

Те са също лесни за описване. Имайки веднъж някакъв GA, само трябва да се напише нова хромозома (само един обект) за разрешаването на друг проблем. Със същото кодиране само се променя жизнената функция и това е всичко. От друга страна, избора на кодиране и жизнена функция може да бъде сложен.

Неудобство на GAs е тяхоно изчислително време. Могат да бъдат по-бавни в сравнение с някои друг методи. Но с днешните компютри това не толкова голям проблем.

За придобиване идея относно проблемите решавани с GA, тук е представен кратък списък на някои приложения:

Нелинейни динамични системи - предвиждане, анализ на данни
Проектиране на невронни мрежи, архитектура и тегла
Траектория на роботи
Развиващите се LISP програми (генетично програмиране)
Стратегическо планиране
Намиране формата на протеинови молекули
TSP и схематизиране на поредици
Функции за създаване на изображения

Повече информация може да бъде открита от връзките в приложението.