Kündigung an fitness Muster
Als allgemeine Faustregel könnten genetische Algorithmen in Problemdomänen nützlich sein, die eine komplexe Fitnesslandschaft haben, da das Mischen, d.h. Mutation in Kombination mit Crossover, so konzipiert ist, dass die Bevölkerung von lokalen Optima wegbewegt wird, in der ein traditioneller Bergkletteralgorithmus stecken bleiben könnte. Beachten Sie, dass häufig verwendete Crossover-Operatoren keine einheitliche Grundgesamtheit ändern können. Mutation allein kann Ergodizität des gesamten genetischen Algorithmus-Prozesses (als Markov-Kette gesehen) liefern. Die Evolution beginnt in der Regel von einer Population zufällig generierter Individuen und ist ein iterativer Prozess, bei dem die Population in jeder Iteration als Generation bezeichnet wird. In jeder Generation wird die Eignung jedes Einzelnen in der Bevölkerung bewertet; die Fitness ist in der Regel der Wert der objektiven Funktion im zu lösenden Optimierungsproblem. Die fitteren Individuen werden stochastisch aus der aktuellen Population ausgewählt, und das Genom jedes Individuums wird modifiziert (rekombiniert und möglicherweise zufällig mutiert), um eine neue Generation zu bilden. Die neue Generation von Kandidatenlösungen wird dann in der nächsten Iteration des Algorithmus verwendet. In der Regel endet der Algorithmus, wenn entweder eine maximale Anzahl von Generationen produziert wurde oder ein zufriedenstellendes Fitnessniveau für die Bevölkerung erreicht wurde. Wer sich körperlich schlecht befindet, besucht seltener das Fitnesscenter. Qureshi WT, Alirhayim Z, Blaha MJ, et al. Cardiorespiratory Fitness und Risiko von Vorhofflimmern: Ergebnisse aus dem Henry Ford Exercise Testing (FIT) Project.
Umlauf. 2015 26. Mai 2015. 131(21):1827-34. [Medline]. Parallele Implementierungen von genetischen Algorithmen kommen in zwei Geschmacksrichtungen. Grobkörnige parallele genetische Algorithmen nehmen eine Population auf jedem der Computerknoten und die Migration von Individuen zwischen den Knoten an. Feinkörnige parallele genetische Algorithmen nehmen eine Person auf jedem Prozessorknoten an, die mit benachbarten Individuen zur Auswahl und Reproduktion agiert.
Andere Varianten, wie genetische Algorithmen für Online-Optimierungsprobleme, führen Zeitabhängigkeit oder Rauschen in die Fitnessfunktion ein. Al-Mallah MH, Juraschek SP, Whelton S, et al. Geschlechtsunterschiede in der kardiorespiratorischen Fitness und der Gesamtsterblichkeit: The Henry Ford Exercise Testing (FIT) Project. Mayo Clin Proc. 2016 Jun. 91(6):755-62. [Medline]. Sobald die genetische Darstellung und die Fitnessfunktion definiert sind, wird ein GA fort, eine Population von Lösungen zu initialisieren und sie dann durch wiederholte Anwendung der Mutations-, Crossover-, Inversion- und Selektionsoperatoren zu verbessern.
Die Fitnessfunktion wird über die genetische Darstellung definiert und misst die Qualität der dargestellten Lösung. Die Fitnessfunktion ist immer problemabhängig. Zum Beispiel möchte man im Rucksackproblem den Gesamtwert von Objekten maximieren, die in einen Rucksack mit einer festen Kapazität gelegt werden können. Eine Darstellung einer Lösung kann ein Array von Bits sein, wobei jedes Bit ein anderes Objekt darstellt und der Wert des Bits (0 oder 1) darstellt, ob sich das Objekt im Rucksack befindet oder nicht. Nicht jede solche Darstellung ist gültig, da die Größe der Objekte die Kapazität des Rucksacks überschreiten kann.