জেনেটিক অ্যালগরিদম ঠিক কী এবং তারা কোন ধরণের সমস্যার জন্য ভাল?


16

আমি লক্ষ্য করেছি যে এই সাইটের কয়েকটি প্রশ্নে জিনগত অ্যালগরিদমের উল্লেখ রয়েছে এবং এটি আমাকে উপলব্ধি করেছে যে আমি সেগুলি সম্পর্কে সত্যই বেশি কিছু জানি না।

আমি এই শব্দটি আগে শুনেছি, তবে এটি এমন কোনও জিনিস নয় যা আমি কখনও ব্যবহার করেছি, সুতরাং তারা কীভাবে কাজ করে এবং কীভাবে তারা ভাল হয় সে সম্পর্কে আমার খুব বেশি ধারণা নেই। আমি কেবল জানি এটি কোনও প্রকারের বিবর্তন এবং এলোমেলোভাবে মান পরিবর্তন করার সাথে জড়িত।

আপনি কি আমাকে একটি সংক্ষিপ্ত ব্যাখ্যা দিতে পারেন, কিছু প্রাথমিক ব্যবহারিক উদাহরণ যা মূলনীতিগুলি বর্ণনা করে?

উত্তর:


11

বিবর্তনীয় অ্যালগরিদমগুলি ডারউইনীয় প্রাকৃতিক নির্বাচনের নীতিটির ভিত্তিতে অনুকূলিতকরণ অ্যালগরিদমের একটি পরিবার । প্রাকৃতিক নির্বাচনের অংশ হিসাবে, একটি প্রদত্ত পরিবেশে এমন একটি লোকের সংখ্যা রয়েছে যা বেঁচে থাকার এবং পুনরুত্পদের জন্য প্রতিযোগিতা করে। এই লক্ষ্য অর্জনে প্রতিটি ব্যক্তির দক্ষতা বাচ্চাদের জন্মের সুযোগটি নির্ধারণ করে, অন্য কথায় তাদের জিনগুলি ব্যক্তির পরবর্তী প্রজন্মের কাছে পৌঁছে দেওয়ার জন্য, যাদের জেনেটিক কারণে এগুলি উপলব্ধি করার ক্ষেত্রে আরও ভাল করার সুযোগ আরও ভাল হবে better দুটি উদ্দেশ্য।

প্রজন্ম ধরে ক্রমাগত উন্নতির এই নীতিটি কোনও সমস্যার সমাধানের অনুকূলিতকরণের জন্য বিবর্তনীয় অ্যালগরিদম দ্বারা নেওয়া হয়। ইন প্রাথমিক প্রজন্মের , বিভিন্ন গঠিত জনসংখ্যা ব্যক্তি এলোমেলোভাবে বা অন্যান্য পদ্ধতি দ্বারা উৎপন্ন হয়। কোনও ব্যক্তি সমস্যার সমাধান, কমবেশি ভাল: সমস্যার ক্ষেত্রে ব্যক্তির গুণমানকে ফিটনেস বলে , যা সমস্যার সমাধানের সমাধানের পর্যাপ্ততা প্রতিফলিত করে। কোনও ব্যক্তির ফিটনেস যত বেশি, তত বেশি তার পরবর্তী বা প্রজন্মের ব্যক্তির কাছে এর কিছু বা সমস্ত জিনোটাইপ পাস করার সম্ভাবনা রয়েছে।

কোনও ব্যক্তিকে জিনোটাইপ হিসাবে কোড করা হয় , যার কোনও আকার থাকতে পারে যেমন একটি ** বিট ভেক্টর ( জেনেটিক অ্যালগরিদম ) বা বাস্তবের একটি ভেক্টর (বিবর্তন কৌশল)। প্রতিটি জিনোটাইপ পৃথকভাবে মূল্যায়ন করার সময় একটি ফেনোটাইপে রূপান্তরিত হয় , যখন তার ফিটনেস গণনা করা হয়। কিছু ক্ষেত্রে, ফেনোটাইপ জিনোটাইপের অনুরূপ: একে ডাইরেক্ট কোডিং বলে। অন্যথায় কোডিংকে পরোক্ষ বলা হয়। উদাহরণস্বরূপ, ধরুন আপনি তার দৈর্ঘ্য, উচ্চতা এবং প্রস্থ দ্বারা নির্ধারিত একটি আয়তক্ষেত্রাকার সমান্তরাল আকারের আকারটি অনুকূল করতে চান। উদাহরণটি সহজ করার জন্য, ধরে নিন যে এই তিনটি পরিমাণটি 0 থেকে 15 এর মধ্যে পূর্ণসংখ্যা then আমরা তারপরে 4-বিট বাইনারি সংখ্যা ব্যবহার করে তাদের প্রত্যেককে বর্ণনা করতে পারি। একটি সম্ভাব্য সমাধানের উদাহরণ হতে পারে জিনোটাইপ 0001 0111 01010 The সংশ্লিষ্ট ফিনোটাইপ দৈর্ঘ্য 1, উচ্চতা 7 এবং প্রস্থ 10 এর সমান্তরাল হয়।

পুরানো থেকে নতুন প্রজন্মের কাছে রূপান্তরকালে ভেরিয়েশন অপারেটর নামে অভিহিত হয় যার উদ্দেশ্য হ'ল ব্যক্তিদের হেরফের করা। দুটি পৃথক প্রকারের প্রকরণের অপারেটর রয়েছে:

  • পরিব্যক্তি অপারেটার , যা একই ব্যক্তি মধ্যে বৈচিত্র পরিচয় করিয়ে দিতে জেনেটিক পরিব্যক্তির হিসাবে ব্যবহৃত হয়;
  • সমম্বয় অপারেটার , যা ব্যবহার করা হয় প্রজনন থেকে অন্ততপক্ষে দুটি ভিন্ন জিনোটাইপ ক্রুশ জেনেটিক ক্রস হিসাবে।

বিবর্তনীয় অ্যালগরিদমগুলি বিভিন্ন ক্ষেত্রে যেমন অপারেশন গবেষণা, রোবোটিক্স, জীববিজ্ঞান, সংজ্ঞা বা ক্রিপ্টোগ্রাফিতে নিজেকে প্রমাণ করেছে। এছাড়াও, তারা একসাথে একাধিক উদ্দেশ্য অনুকূলিত করতে পারে এবং কালো বাক্স হিসাবে ব্যবহার করা যেতে পারে কারণ তারা গাণিতিক মডেলটির কোনও বৈশিষ্ট্য অনুকূলিত করে না। তাদের একমাত্র আসল সীমাবদ্ধতা হ'ল গণনা সংক্রান্ত জটিলতা।

এখানে চিত্র বর্ণনা লিখুন


এখানে উত্তর দেওয়ার জন্য ধন্যবাদ! যদিও আমি ব্যক্তিগতভাবে মনে করি এটি এআই এসই এর জন্য একটি আদর্শ প্রশ্ন, কারণ এটি মৌলিক এবং "উচ্চ-স্তরের", তবে এই স্ট্যাকের জন্য উপযুক্ত, এই বিষয়ে আরও উন্নত প্রশ্নগুলির জন্য ওপি এবং পাঠকদের ক্রস ভ্যালিডেটে পরিচালিত করতে লজ্জা বোধ করবেন না don't ।
ডিউকঝো

8

জেনেটিক অ্যালগরিদম হল একটি অ্যালগরিদম যা এলোমেলোভাবে সমস্যার জন্য বহু চেষ্টা করা সমাধান তৈরি করে। চেষ্টা করা সমাধানগুলির এই সেটটিকে "জনসংখ্যা" বলা হয়।

তারপরে প্রদত্ত ফিটনেস ফাংশন ব্যবহার করে এই সমাধানগুলি সমস্যার কতটা সমাধান করে তা দেখার চেষ্টা করে । সেরা ফিটনেস মান সহ চেষ্টা করা সমাধানগুলি একটি নতুন জনগোষ্ঠী তৈরি করতে ব্যবহৃত হয়। চেষ্টা করা সমাধানগুলিতে (পরিবর্তন) ছোট পরিবর্তন করে বা বিদ্যমান চেষ্টাযুক্ত সমাধানগুলি (ক্রসওভার) সংযুক্ত করে এটি করা যেতে পারে।

ধারণাটি হ'ল, সময়ের সাথে সাথে একটি প্রয়াসযুক্ত সমাধান উদ্ভূত হয় যা সমস্যার সমাধানের জন্য যথেষ্ট পরিমাণে ফিটনেস মান রাখে।

এর অনুপ্রেরণা এসেছিল বিবর্তন তত্ত্ব থেকে; সবচেয়ে উপযুক্ত সমাধান বেঁচে থাকে এবং জন্মানো হয়।

উদাহরণ 1

ধরুন আপনি কাঠের টুকরো থেকে কয়েকটি আকার কেটে নেওয়ার সবচেয়ে কার্যকর উপায়টি সন্ধান করছেন। আপনি যতটা সম্ভব কম কাঠ নষ্ট করতে চান

আপনার চেষ্টা করা সমাধানগুলি আপনার কাঠের টুকরোতে এই আকারগুলির এলোমেলো ব্যবস্থা হবে। ফিটনেস এই ব্যবস্থা অনুসরণ করে আকারগুলি কাটানোর পরে কীভাবে সামান্য কাঠ বাকি থাকবে তা নির্ধারণ করা হবে।
কম কাঠ বাকি আছে, চেষ্টা করা সমাধানের চেয়ে ভাল solution

উদাহরণ 2

মনে করুন আপনি একটি বহুভুজ খুঁজে বের করার চেষ্টা করছেন যা বেশ কয়েকটি পয়েন্টের মধ্য দিয়ে যায়। আপনার চেষ্টা করা সমাধানগুলি এলোমেলো বহুভিত্তিক হবে। এই বহুবচনগুলির ফিটনেস
নির্ধারণ করতে , আপনি নির্ধারণ করুন যে তারা প্রদত্ত পয়েন্টগুলি কতটা ফিট করে। (এই বিশেষ ক্ষেত্রে, আপনি বহুলোক পয়েন্টগুলি কতটা ঠিক ফিট করতে পারেন তা নির্ধারণ করতে আপনি ন্যূনতম স্কোয়ার পদ্ধতিটি ব্যবহার করবেন)। বেশ কয়েকটি পরীক্ষার পরেও আপনি বহুবচন পাবেন যেগুলি পয়েন্টগুলি আরও ভাল ফিট করে, যতক্ষণ না আপনার কাছে এমন একটি বহুপদী থাকে যা পয়েন্টগুলিকে যথেষ্ট পরিমাণে ফিট করে।


বলতে কী বোঝায় সমাধান , যদিও? আপনি কি আমাকে একটি নির্দিষ্ট সমস্যার সাথে ব্যবহারিক উদাহরণ দিতে পারেন, তাই এটির মতো দেখতে আমি আরও ভাল করে ভাবতে পারি?
হতাশ লুরকার

@InquisitiveLurker আমি উদাহরণগুলি যুক্ত করেছি। তারা যথেষ্ট পরিষ্কার না হলে আমাকে জানতে দিন; আমি আমার উত্তর আপডেট করে খুশি হবে।
এসএল বার্থ - মনিকা

6

এই উত্তরটি কীভাবে একটি ব্যবহার করা যেতে পারে তার একটি ব্যবহারিক উদাহরণের জন্য অনুরোধ করে, যা আমি অন্যান্য উত্তরগুলির পাশাপাশি প্রদান করার চেষ্টা করব। জেনেটিক অ্যালগরিদম কী তা বোঝানোর জন্য তারা খুব ভাল কাজ বলে মনে হয়। সুতরাং, এটি একটি উদাহরণ দেবে।

ধরা যাক আপনার একটি নিউরাল নেটওয়ার্ক রয়েছে (যদিও এটি কেবল এটির প্রয়োগ নয়), যা কিছু প্রদত্ত ইনপুট থেকে কিছু আউটপুট দেয়। জেনেটিক অ্যালগরিদম এগুলির একটি জনসংখ্যা তৈরি করতে পারে এবং কোন আউটপুট সেরা, তা দেখে এবং জনসংখ্যার সদস্যদের মেরে ফেলতে পারে by অবশেষে, এটি যথেষ্ট জটিল হলে নিউরাল নেটওয়ার্কটি অপ্টিমাইজ করা উচিত।

এখানে আমি একটি বিক্ষোভ করেছি যা খারাপভাবে কোড করা সত্ত্বেও আপনাকে বুঝতে সহায়তা করতে পারে। http://khrabanas.github.io/projects/evo/evo.html ইলভ বোতামটি চাপুন এবং লক্ষ্যগুলি নিয়ে গণ্ডগোল করুন।

এটি কোন সাধারণ জেনেটিক অ্যালগরিদম ব্যবহার করে বংশবৃদ্ধি করতে, পরিবর্তন করতে এবং সিদ্ধান্ত নেয় যে কোন জনগোষ্ঠীর মধ্যে বেঁচে আছে। ইনপুট ভেরিয়েবলগুলি কীভাবে সেট করা আছে তার উপর নির্ভর করে নেটওয়ার্ক তাদের কাছে কিছুটা ঘনিষ্ঠতা অর্জন করতে সক্ষম হবে this এই ফ্যাশনে, শেষ পর্যন্ত জনসংখ্যা সম্ভবত একটি সমজাতীয় গোষ্ঠীতে পরিণত হবে, যার ফলাফলগুলি লক্ষ্যগুলির সাথে সাদৃশ্যপূর্ণ।

জেনেটিক অ্যালগরিদম প্রকারের একটি "নিউরাল নেটওয়ার্ক" তৈরি করার চেষ্টা করছে, আরজিবি গ্রহণ করে আউটপুট রঙ পাওয়া যাবে। প্রথমে এটি একটি এলোমেলো জনসংখ্যা উত্পন্ন করে। এরপরে এটি জনসংখ্যার থেকে 3 জন এলোমেলো সদস্য নিয়ে, সর্বনিম্ন ফিটনেসের সাথে একজনকে নির্বাচন করে এবং জনসংখ্যা থেকে অপসারণ করে। ফিটনেস শীর্ষ গোল স্কোয়ারের পার্থক্যের সমান + নীচের গোল স্কোয়ারের পার্থক্য। এরপরে এটি বাকি দুজনকে এক সাথে প্রজনন করে এবং শিশুটিকে মৃত সদস্য হিসাবে জনসংখ্যার একই জায়গায় যুক্ত করে। সঙ্গম যখন ঘটে তখন একটি পরিবর্তন ঘটে যাবার সুযোগ থাকে। এই রূপান্তর এলোমেলোভাবে মানগুলির একটি পরিবর্তন করবে।

পার্শ্ব নোট হিসাবে, এটি কীভাবে সেট আপ করা হয়েছে তার কারণে এটি অনেক ক্ষেত্রে একেবারে সঠিক হওয়া অসম্ভব, যদিও এটি আপেক্ষিক ঘনিষ্ঠতায় পৌঁছাবে।


6

জেনেটিক অ্যালগরিদম কী তা ব্যাখ্যা করে এবং উদাহরণস্বরূপ অ্যাপ্লিকেশন দেওয়ার জন্য এখানে বেশ কয়েকটি ভাল উত্তর রয়েছে। তারা কী জন্য ভাল তা নিয়ে কিছু সাধারণ উদ্দেশ্যে পরামর্শ যুক্ত করছি, তবে এমন ক্ষেত্রেও যেখানে আপনার সেগুলি ব্যবহার করা উচিত নয়। যদি আমার স্বরটি কঠোর মনে হয় তবে এটি উপযুক্ত কারণ বিভাগের যে কোনও ক্ষেত্রে জিএ ব্যবহার করার ফলে আপনার কাগজটি তাত্ক্ষণিকভাবে কোনও শীর্ষ স্তরের জার্নাল থেকে প্রত্যাখ্যান করা হবে।

প্রথমত, আপনার সমস্যাটি একটি অপ্টিমাইজেশান সমস্যা হওয়া উচিত। আপনি এমন একটি "ফিটনেস ফাংশন" সংজ্ঞায়িত করতে হবে যা আপনি অনুকূল করার চেষ্টা করছেন এবং এটির পরিমাপ করার একটি উপায় আপনার প্রয়োজন।

ভাল:

  • ক্রসওভার ফাংশনগুলি নির্ধারণ করা সহজ এবং প্রাকৃতিক : নির্দিষ্ট ধরণের ডেটা নিয়ে কাজ করার সময় ক্রসওভার / মিউটেশন ফাংশনগুলি সংজ্ঞায়িত করা সহজ হতে পারে। উদাহরণস্বরূপ স্ট্রিং (উদাহরণস্বরূপ, ডিএনএ বা জিনের ক্রম) দুটি নতুন প্রার্থী স্ট্রিং বিভক্ত করে সহজেই নতুন পরিবর্তনের জন্য পরিবর্তন করা যেতে পারে (এ কারণেই প্রকৃতি জেনেটিক অ্যালগোরিদম ব্যবহার করে!)। গাছের (ফিলোজেনেটিক গাছ বা পার্স গাছের মতো) একটি গাছের একটি শাখা অন্য গাছের একটি শাখা প্রতিস্থাপনের মাধ্যমেও খুব স্প্লিক করা যেতে পারে। আকৃতিগুলিতে (বিমানের ডানা বা নৌকা আকারের মতো) আকারে গ্রিড আঁকিয়ে এবং বাচ্চাদের প্রাপ্তির জন্য বাবা-মায়ের কাছ থেকে বিভিন্ন গ্রিড বিভাগগুলি একত্রিত করে সহজেই পরিবর্তন করা যায়। সাধারণত এর অর্থ আপনার সমস্যাটি বিভিন্ন অংশের সমন্বয়ে গঠিত এবং পৃথক সমাধান থেকে অংশগুলি একসাথে রাখাই একটি বৈধ প্রার্থীর সমাধান।
    • এর অর্থ হ'ল যদি আপনার সমস্যাটিকে কোনও ভেক্টর স্পেসে সংজ্ঞায়িত করা হয় যেখানে স্থানাঙ্কগুলির কোনও বিশেষ অর্থ থাকে না, জিএগুলি ভাল পছন্দ নয়। যদি আপনার সমস্যাটি জিএ হিসাবে তৈরি করা শক্ত হয় তবে এটি লাভজনক নয়।
  • ব্ল্যাক বক্স মূল্যায়ন : যদি কোনও প্রার্থীর জন্য, আপনার ফিটনেস ফাংশনটি কম্পিউটারের বাইরে মূল্যায়ন করা হয়, জিএগুলি ভাল ধারণা। উদাহরণস্বরূপ, যদি আপনি কোনও এয়ার টানলে একটি ডানার আকার পরীক্ষা করে দেখেন তবে জেনেটিক অ্যালগরিদমগুলি আপনাকে চেষ্টা করার জন্য ভাল প্রার্থী আকার তৈরি করতে সহায়তা করবে।
    • ব্যতিক্রম: সিমুলেশন । যদি আপনার ফিটনেস ফাংশনটি পরিমাপ করছে যে কোনও অগ্রভাগ নকশা কতটা ভাল সম্পাদন করে এবং প্রতিটি অগ্রভাগের আকারের জন্য তরল গতিবিদ্যা অনুকরণের প্রয়োজন হয় তবে জিএ আপনার পক্ষে ভাল কাজ করতে পারে। আপনি যদি সময়ের সাথে সাথে কোনও শারীরিক ব্যবস্থা অনুকরণ করে থাকেন এবং আপনার ডিজাইনটি অপারেশন চলাকালীন কতটা ভাল সঞ্চালন করে তাতে আগ্রহী হন তবে এগুলিও কাজ করতে পারে। মডেলিং লোকমোশন নিদর্শন । তবে যে পদ্ধতিগুলি আংশিক ডিফারেনশিয়াল সমীকরণকে সীমাবদ্ধতা হিসাবে ব্যবহার করে সেগুলি সাহিত্যে বিকাশ করা হচ্ছে, যেমন। PDE অপেক্ষাকৃত অপ্টিমাইজেশান , তাই এটি ভবিষ্যতে পরিবর্তন হতে পারে।

উপযুক্ত না:

  • আপনি আপনার ফাংশনের জন্য গ্রেডিয়েন্ট গণনা করতে পারেন : যদি আপনার ফাংশনের গ্রেডিয়েন্টে অ্যাক্সেস থাকে তবে আপনি গ্রেডিয়েন্ট বংশোদ্ভূত করতে পারেন যা জিএ এর তুলনায় সাধারণভাবে অনেক বেশি দক্ষ। গ্রেডিয়েন্ট বংশোদ্ভূত স্থানীয় মিনিমাতে সমস্যা থাকতে পারে (যেমনটি জিএও হবে) তবে এটি হ্রাস করার জন্য অনেকগুলি পদ্ধতি অধ্যয়ন করা হয়েছে।
  • আপনি বদ্ধ আকারে ফিটনেস ফাংশন জানেন : তারপরে, আপনি সম্ভবত গ্রেডিয়েন্ট গণনা করতে পারেন। অনেক ভাষায় গ্রন্থাগার রয়েছে স্বয়ংক্রিয় পার্থক্যকে সমর্থন করে , তাই আপনার নিজের হাতে এটি করার প্রয়োজনও নেই। যদি আপনার ফাংশনটি পৃথক নয়, তবে আপনি সাবগ্রেডিয়েন্ট বংশদ্ভুত ব্যবহার করতে পারেন ।
  • আপনার অপ্টিমাইজেশনের সমস্যাটি একটি লিনিয়ার প্রোগ্রাম বা চতুর্ভুজ প্রোগ্রামের মতো একটি পরিচিত ফর্মের : জিএ (এবং সাধারণভাবে ব্ল্যাক বক্স অপ্টিমাইজেশন পদ্ধতি) তাদের মূল্যায়নের জন্য প্রয়োজনীয় প্রার্থীর সংখ্যার দিক থেকে খুব অদক্ষ, এবং সম্ভব হলে সর্বোত্তমভাবে এড়ানো হবে।
  • আপনার সমাধানের স্থানটি ছোট : আপনি যদি নিজের অনুসন্ধানের জায়গাকে দক্ষতার সাথে গ্রিড করতে পারেন তবে আপনি গ্যারান্টি দিতে পারেন যে আপনি সেরা সমাধানটি খুঁজে পেয়েছেন, এবং সমাধানের জায়গার কনট্যুর প্লটগুলি তৈরি করতে পারেন এটি দেখার জন্য যে কোনও অঞ্চল আপনার আরও সন্ধানের প্রয়োজন।

অবশেষে, আপনি যদি জিএ বিবেচনা করছেন তবে বিবর্তনীয় কৌশলগুলিতে আরও সাম্প্রতিক কাজ বিবেচনা করুন। আমি সিএমএ- ইএসের প্রতি পক্ষপাতদুষ্ট , যা আমি মনে করি একটি ভাল সাধারণ অ্যালগরিদম যা ফিটনেস ল্যান্ডস্কেপে গ্রেডিয়েন্টের ধারণাটি এমনভাবে ধারণ করে যে traditionalতিহ্যবাহী জিএগুলি না করে।


সিএমএ-ইএস সমস্যাগুলির পক্ষে উত্তম যেখানে সমাধানগুলি বাস্তব-মূল্যবান ভেক্টর হিসাবে উপস্থাপিত হতে পারে।
নিটসেচানআইএআই

5

অন্য উত্তরে যেমন পর্যবেক্ষণ করা হয়েছে, আপনার জেনেটিক অ্যালগরিদম (জিএ) প্রয়োগ করা দরকার তা হ'ল ক্রসওভার এবং মিউটেশনের সাপেক্ষে এমন একটি আকারে আপনার সমস্যার সম্ভাব্য সমাধানের প্রতিনিধিত্ব করা। আদর্শভাবে, ফিটনেস ফাংশন কোনও 'হাইস্ট্যাকের সূঁচে' না হয়ে বরং সমাধানের গুণাগুণ সম্পর্কে এক ধরণের মসৃণ প্রতিক্রিয়া সরবরাহ করবে।

জেনেটিক অ্যালগরিদম (এবং প্রকৃতপক্ষে সাধারণভাবে মেটিওরিস্টিকস ) এর জন্য সমস্যাগুলির কয়েকটি বৈশিষ্ট্য এখানে রয়েছে :

  • এনপি-সম্পূর্ণ - সমস্যার সম্ভাব্য সমাধানগুলির সংখ্যা তাত্পর্যপূর্ণ, তবে কোনও সমাধানের ফিটনেস পরীক্ষা করা তুলনামূলকভাবে সস্তা (প্রযুক্তিগতভাবে, ইনপুট আকারে সময়ের বহুপদী সহ)।
  • ব্ল্যাক বক্স - সমস্যা সমাধানের জন্য আপনার কাছে বিশেষভাবে অবহিত মডেল না থাকলেও জিএগুলি যুক্তিসঙ্গতভাবে কাজ করে। এর অর্থ হ'ল সমস্যাগুলি সমাধান করার জন্য এই পদ্ধতিগুলি 'দ্রুত প্রোটোটাইপিং' পদ্ধতির হিসাবেও কার্যকর।

তবে, উদ্দেশ্যটির জন্য তাদের ব্যাপক ব্যবহার সত্ত্বেও, নোট করুন যে জিএগুলি আসলে অপ্টিমাইজারের কাজ করে না - জিএ প্রক্রিয়াগুলি কিছু দূরবর্তী উচ্চমানের সমাধানের প্রত্যাশায় অনুসন্ধানের জায়গার 'বহির্মুখী' অঞ্চলগুলি অনুসন্ধান করার দিকে ঝোঁক দেয় না, বরং আরও প্রায় ক্লাস্টার করে to 'ফিটনেস ল্যান্ডস্কেপ' এ সহজেই অ্যাক্সেসযোগ্য পর্বত।

GAs এর প্রযোজনীয়তা সম্পর্কে আরও বিশদ একটি প্রারম্ভিক গবেষণাপত্রে দেওয়া হয়েছে "জেনেটিক অ্যালগরিদমের জন্য কোন সমস্যাটি কঠিন করে তোলে?"

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.