2011-09-25 3 views
8

Les problèmes de décision ne peuvent pas être utilisés dans les algorithmes évolutifs car une simple mesure d'adéquation correcte/incorrecte ne peut pas être optimisée/développée. Alors, quelles sont certaines méthodes/techniques pour convertir les problèmes de décision en problèmes d'optimisation? Par exemple, je travaille actuellement sur un problème où la forme physique d'un individu dépend très fortement de la production qu'il produit. Selon l'ordre des gènes, un individu ne produit pas de sortie ou de sortie parfaite - pas de «entre» (et donc, pas de collines à grimper). Un petit changement dans l'ordre des gènes d'un individu peut avoir un effet drastique sur la forme physique d'un individu, donc l'utilisation d'un algorithme évolutif équivaut essentiellement à une recherche aléatoire.Conversion de problèmes de décision en problèmes d'optimisation? (algorithmes évolutionnaires)

Certaines références bibliographiques seraient agréables si vous en connaissez.

+0

Toutes les sorties parfaites sont-elles également parfaites? Est-ce que toutes les sorties sont également susceptibles d'être proches d'une sortie parfaite? –

+0

Pour votre première question, oui. Pour votre deuxième question, certains pourraient être plus près d'une solution parfaite en termes de structure génétique, mais du point de vue de la forme physique, puisqu'ils ne produisent aucun résultat, ils ont la même forme physique que ceux qui ne sont pas aussi proches. –

+0

Vous semblez avoir répondu à votre propre question: s'il n'y a pas de côte à gravir, toute forme d'optimisation de l'escalade ne peut tout simplement pas avoir de traction. Autre que général agitant la main au sujet de l'incrémentalisme et des solutions partielles, il est difficile d'imaginer une solution générale est possible. –

Répondre

1

Application à plusieurs entrées et examen du pourcentage de réponses correctes. Certes, une bonne mesure d'adéquation ne peut pas évoluer vers plus de justesse, mais un algorithme peut néanmoins appliquer une fonction mutable à n'importe quelle entrée nécessaire pour produire une décision qui sera bonne ou mauvaise. Donc, vous continuez à faire muter l'algorithme, et pour chaque version mutée de l'algorithme, vous l'appliquez à, disons, 100 entrées différentes, et vous vérifiez combien d'entre elles sont correctes. Ensuite, vous sélectionnez les algorithmes qui ont donné des réponses plus correctes que d'autres. Qui sait, éventuellement, vous pourriez en voir un qui les obtient tous les droits.

Il n'y a pas de références bibliographiques, je viens juste de le faire.

0

Eh bien, je pense que vous devez travailler sur votre fonction de remise en forme. Lorsque vous dites que certaines personnes sont plus proches d'une solution parfaite, pouvez-vous identifier ces solutions en fonction de leur structure génétique? Si vous pouvez faire cela, un programme pourrait le faire aussi et donc vous ne devriez pas évaluer l'individu en fonction de la sortie mais de sa structure.

Questions connexes