L'espace de recherche dépend entièrement de votre problème. L'idée d'un algorithme génétique qui modifie le «génome» d'une population d'individus pour créer la génération suivante, mesurer l'aptitude de la nouvelle génération et modifier à nouveau les génomes avec un certain hasard est d'essayer d'éviter de rester coincé dans les minima locaux . L'espace de recherche est cependant entièrement déterminé par ce que vous avez dans votre génome, qui à son tour est complètement déterminé par ce qu'est le problème. Il peut y avoir des espaces de recherche standard (c.-à-d. Des génomes) qui fonctionnent bien pour des problèmes particuliers (je n'en ai jamais entendu parler), mais la partie la plus difficile dans l'utilisation des AG est de définir ce que vous avez dans votre génome. comment il est autorisé à muter. L'utilité vient du fait que vous n'avez pas à déclarer explicitement toutes les valeurs pour les différentes variables du modèle, mais vous pouvez trouver de bonnes valeurs (pas nécessairement les meilleures) en utilisant une recherche plus ou moins aveugle.
EXEMPLE
Un exemple utilisé est assez fortement l'antenne radio Evolved (Wikipedia). Le but est de trouver une configuration pour une antenne radio telle que l'antenne elle-même soit aussi petite et légère que possible, avec la restriction qui doit répondre à certaines fréquences et avoir un faible bruit et ainsi de suite.
Alors vous construire votre génome spécifiant
- le nombre de fils à utiliser
- le nombre de coudes dans chaque fil
- l'angle de chaque coude
- peut-être la distance de chaque virage de la base
- (autre chose, je ne sais pas quoi)
exécutez votre GA, voir ce qui sort de l'autre extrémité, analyser pourquoi cela n'a pas fonctionné. Les GA ont l'habitude de produire des résultats inattendus à cause de bugs dans la simulation. Quoi qu'il en soit, vous découvrez que peut-être le génome doit coder le nombre de coudes individuellement pour chacun des fils dans l'antenne, ce qui signifie que l'antenne ne va pas être symétrique. Donc, vous mettez cela dans votre génome et exécutez la chose à nouveau. Simuler des choses qui ont besoin de travailler dans le monde physique est généralement le plus cher, car à un certain moment, vous devez tester les indivudal (s) dans le monde réel.
Il y a un tutoriel raisonnable d'algorithmes génétiques here avec quelques exemples utiles sur différents schémas de codage pour le génome. Un dernier point, quand les gens disent que les GA sont simples et faciles à mettre en œuvre, ils signifient que le cadre autour de l'AG (générer une nouvelle population, évaluer la forme physique, etc.) est simple.Ce qui n'est généralement pas dit est que la mise en place d'un GA pour un vrai problème est très difficile et nécessite généralement beaucoup d'essais et d'erreurs, car la création d'un système d'encodage qui fonctionne bien n'est pas simple pour les problèmes complexes. La meilleure façon de commencer est de commencer simple et de rendre les choses plus complexes au fur et à mesure. Vous pouvez bien sûr faire un autre GA à venir avec l'encodage pour le premier GA :).
donc son fondamentalement un "non" alors. Donc, lorsque vous étiez en train de tester les GA, avez-vous construit au hasard un espace de recherche dans Excel? –
@HansRudel voir les modifications ci-dessus. –
Merci pour la modification. Oui, j'avais déjà rencontré le problème de l'encodage des chromosomes et j'ai décidé de m'en tenir à l'encodage par permutation, car cela semblait plus facile pour mon problème. Changer le taux de croisement ou de mutation sur mon premier projet ne semblait pas générer des résultats très différents, donc pourquoi je me suis renseigné sur les espaces de recherche comme le mien était seulement un tableau 2d ou 37x36 éléments, qui est trop petit pour observer un changement réel les entrées ci-dessus. Accepteriez-vous? –