নিম্ন ফিটনেস ব্যক্তিদের কেন পরবর্তী প্রজন্মের কাছে টিকে থাকার সুযোগ রয়েছে?

Question

আমি বর্তমানে জেনেটিক অ্যালগরিদম সম্পর্কে পড়ছি এবং দেখছি এবং আমি এটি খুব আকর্ষণীয় মনে করি (বিশ্ববিদ্যালয়ে থাকাকালীন আমি এটি অধ্যয়ন করার সুযোগ পাইনি)।

আমি বুঝতে পারি যে পরিবর্তনগুলি সম্ভাবনার উপর ভিত্তি করে (এলোমেলোভাবে বিবর্তনের মূল) তবে বেঁচে থাকার কারণ আমি পাই না।

আমি যা বুঝতে থেকে, একজন ব্যক্তি $I$ একটি ফিটনেস থাকার $F(i)$ যেমন অন্য ব্যক্তির জন্য $J$ একটি ফিটনেস থাকার $F(j)$ আমরা আছে $F(i) > F(j)$ , তারপর $I$ চেয়ে ভাল সম্ভাবনা আছে $J$ বেঁচে থাকার জন্য পরবর্তী প্রজন্মের কাছে।

সম্ভাব্যতা থেকেই বোঝা যায় যে বেঁচে $J$ থাকতে পারে এবং $I$ নাও ("দুর্ভাগ্য" দিয়ে)। আমি বুঝতে পারছি না কেন এটা মোটেই ভাল? তাহলে $I$ চাই সবসময় নির্বাচন টেকা, কি অ্যালগরিদম ভুল যেতে হবে? আমার অনুমান যে অ্যালগরিদম একটি লোভী অ্যালগরিদমের অনুরূপ তবে আমি নিশ্চিত নই।

Comments

স্থানীয় সর্বনিম্নে আটকা পড়ে।

— লুই

এমনকি বাস্তব জীবনেও উপকারী মিউটেশনগুলি / বৃহত্তর পরিবেশগত ফিটনেসগুলি তাদের / তার সাথে থাকা ব্যক্তিদের বেঁচে থাকার নিশ্চয়তা দেয় না, যা প্রকৃতপক্ষে বিভিন্ন ধরণের বৈশিষ্ট্যগুলি প্রকাশ করতে দেয় (এবং পরিবেশ অপ্রত্যাশিতভাবে পরিবর্তিত হলে সম্ভাব্য উপকারী হতে পারে, যদিও এটি একটি অনুকূলিতকরণ অ্যালগরিদমের পক্ষে এতটা সম্ভাবনা নেই)। ... এবং নিকের উত্তরের একেবারে শেষে বলা হয়েছে, তাই যাই হোক না কেন।

— জাব

আপনি যদি দুর্বলকে সারাক্ষণ হত্যা করেন তবে আপনার কাছে একটি সরল পাহাড়ী চক্র ছাড়া আর কী আছে?

— রাফেল

Answer 1

মূল ধারণাটি হ'ল suboptimal ব্যক্তিদের বেঁচে থাকার সুযোগ দিয়ে আপনি বিবর্তনীয় প্রাকৃতিক দৃশ্যের একটি "শীর্ষ" থেকে অন্য ছোট ছোট বর্ধনশীল রূপান্তরগুলির ক্রমের মাধ্যমে পরিবর্তন করতে পারেন। অন্যদিকে, আপনাকে যদি কেবল চড়াই পথে যেতে দেওয়া হয় তবে এর শিখরে স্যুইচ করার জন্য একটি বিশাল এবং বৃহত্তর সম্ভাবনাযুক্ত রূপান্তর প্রয়োজন।

পার্থক্যটি দেখানোর জন্য এখানে একটি চিত্র রয়েছে:

ব্যবহারিকভাবে, এই বিশ্বায়নের সম্পত্তি বিবর্তনীয় অ্যালগরিদমের মূল বিক্রয় কেন্দ্র - আপনি যদি কেবল একটি স্থানীয় ম্যাক্সিমাকে খুঁজে পেতে চান তবে আরও দক্ষ দক্ষ বিশেষ কৌশল রয়েছে। (যেমন, সীমাবদ্ধ পার্থক্য গ্রেডিয়েন্ট এবং লাইন অনুসন্ধান সহ এল-বিএফজিএস)

জৈবিক বিবর্তনের বাস্তব জগতে, বিবর্তনীয় প্রাকৃতিক দৃশ্যের পরিবর্তন ঘটলে সাব-পার্টিমাল ব্যক্তিকে বাঁচতে দেওয়া মজবুততা সৃষ্টি করে। যদি প্রত্যেকে একটি শিখরে কেন্দ্রীভূত হয়, তবে যদি সেই শিখরটি উপত্যকায় পরিণত হয় তবে পুরো জনসংখ্যা মারা যায় (যেমন, গ্রহাণু ধর্মঘট না ঘটে এবং বিবর্তনীয় প্রাকৃতিক দৃশ্য পরিবর্তিত হওয়া অবধি ডায়নোসররা সবচেয়ে উপযুক্ত প্রজাতি ছিল)। অন্যদিকে, যদি জনসংখ্যার মধ্যে কিছু বৈচিত্র থাকে তবে ল্যান্ডস্কেপ পরিবর্তিত হলে কিছু বাঁচবে।

Comments

"জৈবিক বিবর্তনের বাস্তব জগতে, বিবর্তনীয় প্রাকৃতিক দৃশ্যের পরিবর্তন ঘটলে সাব-পার্টিমাল ব্যক্তিকে বাঁচতে দেওয়া মজবুততা সৃষ্টি করে" - জীববিজ্ঞানী হিসাবে এই পদমর্যাদায়। কম ফিটনেস ব্যক্তিদের ফিটনেস সর্বাধিকীকরণের জন্য বেঁচে থাকার "অনুমতি দেওয়া হয় না" এটি কেবল বাস্তবতার প্রকৃতি। নিম্ন ফিটনেস জীবগুলি অন্য যে কোনও কিছুর মতো বেঁচে থাকার চেষ্টা করছে।

— জ্যাক এইডলি

অবশ্যই আপনি ঠিক বলেছেন, প্রকৃতি কোনও কিছুর অনুমতি বা মঞ্জুরি দেওয়ার সিদ্ধান্ত নেয় না, এটি ঘটে কেবল। অন্যদিকে এমন অনেক উদাহরণ রয়েছে যেখানে মানুষ বেছে বেছে উদ্ভিদ এবং প্রাণীকে কেবলমাত্র "সেরা" বজায় রেখেছিল এবং এমন একরঙাচাষ তৈরি করেছে যা শক্তিশালী নয় যখন নতুন রোগ আসে বা পরিবেশ পরিবর্তিত হয়।

— নিক অ্যালার্জ

এই প্রভাবটি মোকাবেলার জন্য অন্যান্য কৌশল রয়েছে, যেমন বৃহত্তর পদক্ষেপগুলি তৈরি করা এবং এলোমেলো প্রাথমিক জনসংখ্যার সাথে পুনরায় কাজ করা। অতিরিক্তভাবে, ক্রস-ওভার পুনঃনির্ধারণের উপস্থিতিতে, দুর্বল জিনোটাইপকে চারপাশে রাখা আরও কার্যকর হতে পারে যদি কোনও শক্তিশালী ব্যক্তি পরিবর্তিত হয় এবং দু'জনের মধ্যে ক্রস-ওভার আরও শক্তিশালী হয়।

— রাফেল

Answer 2

নিক অ্যালজারের উত্তরটি খুব ভাল, তবে আমি একটি উদাহরণ পদ্ধতি, মহানগর-হেস্টিংস পদ্ধতিতে এটিকে আরও কিছুটা গাণিতিক করে তুলছি।

$i$$j$$Q(i,j)$$Q(i,j) = Q(j,i)$$F(i)>0$$i$

$i$$j$

$$\min\left(1, \frac{F(j)}{F(i)}\right)$$

অন্য কথায়, যদি বেশি ফিট থাকে তবে আমরা সর্বদা এটি গ্রহণ করি তবে যদি কম ফিট হয় তবে আমরা এটিকে সম্ভাব্যতা take with দিয়ে নিয়ে থাকি , অন্যথায় আমরা যতক্ষণ না আমাদের গ্রহণযোগ্য না হওয়া পর্যন্ত আবার চেষ্টা করি পরিব্যক্তি।$j$$j$$\frac{F(j)}{F(i)}$

এখন আমরা অন্বেষণ করতে চাই , প্রকৃত সম্ভাবনা যে আমরা থেকে রূপান্তরটি করতে ।$P(i,j)$$i$$j$

স্পষ্টত এটি:

$$P(i,j) = Q(i,j) \min\left(1, \frac{F(j)}{F(i)}\right)$$

ধরা যাক যে । তারপরে = 1 এবং তাই:$F(j) \ge F(i)$$\min\left(1, \frac{F(j)}{F(i)}\right)$

$$F(i) P(i,j)$$ $$= F(i) Q(i,j) \min\left(1, \frac{F(j)}{F(i)}\right)$$ $$= F(i) Q(i,j)$$ $$= Q(j,i) min\left(1, \frac{F(i)}{F(j)}\right) F(j)$$ $$= F(j) P(j,i)$$

যুক্তিটি পিছনের দিকে চালানো, এবং যেখানে তুচ্ছ ঘটনাটি পরীক্ষা করে দেখা যায় , আপনি এবং এবং জন্য দেখতে পারেন :$i=j$$i$$j$

$$F(i) P(i,j) = F(j) P(j,i)$$

এটি কয়েকটি কারণে লক্ষণীয়।

উত্তরণের সম্ভাবনা স্বতন্ত্র । অবশ্যই, এটি আকর্ষকটি শেষ হতে আমাদের কিছুটা সময় নিতে পারে এবং একটি রূপান্তর গ্রহণ করতে আমাদের কিছুটা সময় নিতে পারে। একবার আমরা করি, রূপান্তর সম্ভাবনা সম্পূর্ণ উপর নির্ভর করে , এবং উপর নয় ।$Q$$F$$Q$

যা দিচ্ছি তার উপর সামারি :$i$

$$\sum_i F(i) P(i,j) = \sum_i F(j) P(j,i)$$

স্পষ্টতই যোগফল অবশ্যই যদি আপনি সমস্ত উপরে যোগ করেন (অর্থাত্, একটি রাজ্য থেকে স্থানান্তরিত হওয়ার সম্ভাবনাগুলি অবশ্যই সমষ্টি হতে হবে ), সুতরাং আপনি পান:$P(j,i)$$1$$i$$1$

$$F(j) = \sum_i F(i) P(i,j)$$

এটি হ'ল, হ'ল (অস্বাভাবিক) সম্ভাব্যতা ঘনত্ব ফাংশন যার জন্য পদ্ধতিটি চয়ন করে। আপনি কেবল পুরো ল্যান্ডস্কেপ অন্বেষণের জন্য গ্যারান্টিযুক্ত নন, আপনি প্রতিটি রাজ্য কতটা "ফিট" তার অনুপাতে করেন।$F$

অবশ্যই এটি অনেকের মধ্যে একটি উদাহরণ; যেমনটি আমি নীচে উল্লেখ করেছি, এটি এমন একটি পদ্ধতি হতে পারে যা ব্যাখ্যা করা খুব সহজ। আপনি সাধারণত একটি পিডিএফ অন্বেষণ না করে একটি জিএ ব্যবহার করেন, তবে একটি চূড়ান্ত সন্ধান করতে এবং আপনি সেই ক্ষেত্রে কিছু শর্ত শিথিল করতে পারেন এবং উচ্চ সম্ভাবনার সাথে শেষ পর্যন্ত অভিমুখে গ্যারান্টি দিতে পারেন।

Comments

দুর্দান্ত উত্তর! আমি বারবার এটি upvote করতে চান। একটি প্রশ্ন: আমরা কি বেছে নেব তা কি অনুপ্রেরণা দিতে পারেন ? তা কি এই কারণেই বেছে নেওয়া হয়েছে যে বাকি সমস্ত গণিত খুব নিফটির ফলাফল দেবে? বা কি কি বাহ্যিক কারণ আছে যে জন্য প্রাকৃতিক পছন্দ ? (আমি প্রত্যাশা করতাম যে জন্য একটি প্রাকৃতিক মান হ'ল রাজ্য থেকে বহিরঙ্গ প্রান্তগুলির একের বেশি হবে, এক্ষেত্রে আমাদের যেহেতু সাধারণভাবে এবং এর আউট-ডিগ্রি আলাদা হতে পারে))$Q(i,j)=Q(j,i)$$Q$$Q(i,j)$$i$$Q(i,j)=Q(j,i)$$i$$j$

— DW

এই ক্ষেত্রে প্রেরণাটি হ'ল বিশদ ভারসাম্য শর্ত, , যা স্থিতিশীল তা নিশ্চিত করার জন্য যথেষ্ট (যদিও প্রয়োজনীয় নয়) শর্ত পিডিএফ। আপনি যদি চান যে আপনার পিডিএফ স্থির হয়ে উঠতে পারে, তবে এটি প্রক্রিয়াটি কিছু উপায়ে সময়কে পরিবর্তনযোগ্য হতে সহায়তা করে। এছাড়াও, যদি এটি সহায়তা করে, এমএইচ অ্যালগরিদমটি অবিচ্ছিন্ন সমস্যা (নিউট্রন পরিবহন) জন্য ডিজাইন করা হয়েছিল যেখানে কোনও বহি-প্রান্তের আলাদা সংখ্যা নেই। অবশ্যই, আপনি যদি বিশ্বব্যাপী সর্বাধিক সন্ধান করার চেষ্টা করছেন তবে পুরো পিডিএফ অনুসন্ধান করা আপনি যা চান তা সবসময় হয় না। এটি কেবল উদাহরণের উদ্দেশ্যে ছিল। $F(i) P(i,j) = F(j) P(j,i)$$F$

— ছদ্মনাম

Answer 3

জিএ ব্যবহারের সুবিধা হ'ল আপনি সম্ভাব্যতর খারাপ পরীক্ষার্থীদের কাছ থেকে আসা পথ অনুসরণ করে বিস্তৃত অনুসন্ধানের স্থানগুলি অন্বেষণ করতে সক্ষম হন। অনুসন্ধানের এই বিভিন্ন ক্ষেত্রগুলি অন্বেষণ করার জন্য আরও খারাপ প্রার্থী হওয়া উচিত, কিছু নয় তবে অবশ্যই কয়েকটি। আপনি যদি অ্যালগরিদমের এই অনুসন্ধানের দিকটি সরিয়ে ফেলেন প্রতিবার কেবল খুব ভাল নেওয়া শুরু করেন এবং এটি একটি পাহাড়ের পর্বতারোহণে পরিণত হয়। এছাড়াও শুধুমাত্র সেরা ক্রমাগত নির্বাচন করা অকাল অভিমুখে জন্মাতে পারে।

Answer 4

আসলে, নির্বাচন অ্যালগরিদম উভয় পন্থা গ্রহণ করে। একটি উপায় হ'ল আপনি যা পরামর্শ দিয়েছেন এবং অন্যটি হ'ল উচ্চতর ফিটনেসযুক্ত ব্যক্তি নির্বাচন করা হয় এবং নিম্নতর ব্যক্তিরা নয়।

আপনি বাছাইয়ের জন্য যে পদ্ধতিটি বেছে নিয়েছেন সেটিও আপনি মডেল করার চেষ্টা করছেন এমন সমস্যা অনুসারে তৈরি। স্কুলে ফিরে একটি পরীক্ষায় আমরা কার্ড প্লেয়ারদের একে অপরের বিরুদ্ধে গেম খেলায় (অর্থাত্ টুর্নামেন্টের বাছাই ) করে তাদের উন্নত করার চেষ্টা করছিলাম । যেমন একটি দৃশ্যকল্প, আমরা খুব ভাল শুধু সবসময় পক্ষপাতী পারে উপর (আপনার উদাহরণ থেকে) কারণ 'ভাগ্য' দৃষ্টিভঙ্গি খেলা নিজেই ইতিমধ্যে। এমনকি যদি কোনও দুটি এবং , যে কোনও রাউন্ডে, খালি হাতে যেভাবে আচরণ করা হয়েছিল এবং অন্যরা কীভাবে খেলেছে, রাউন্ডটি জিততে পারে এবং এভাবে আমরা দিয়ে শেষ করতে পারতাম$I$$J$$F(i) > F(j)$$I$$J$$J$$F(j) > F(i)$। মনে রাখবেন যে একটি জনসংখ্যার প্রায়শই যথেষ্ট পরিমাণে যথেষ্ট যে কোনও কোনও ভাল ব্যক্তি হারাতে পারে এবং সামগ্রিকভাবে, এটি ততটা গুরুত্বপূর্ণ হবে না।

যেহেতু জিএগুলি বাস্তব-বিশ্ব বিবর্তনের চারদিকে মডেল করা হয়, যখন সম্ভাব্য বিতরণগুলি ব্যবহার করা হয়, তখন এগুলি মূলত প্রকৃত সম্প্রদায়ের মধ্যে বিকশিত হয় যার মধ্যে মাঝে মাঝে কম ফিটনেসযুক্ত ব্যক্তিরা বেঁচে থাকতে পারে তবে উচ্চতর ফিটনেসযুক্ত ব্যক্তিরা না থাকতে পারে (একটি অশোধিত উপমা: গাড়ি দুর্ঘটনা, প্রাকৃতিকভাবে বিপর্যয় ইত্যাদি :-))।

Answer 5

এটি খুব সহজ, একটি পোভ থেকে: কখনও কখনও উচ্চ-ফিটনেস "শিশু" সমাধানগুলি ক্রসওভার বা মিউটেশন (যা আসলে জেনেটিক অ্যালগরিদমের তত্ত্বের অনেকটা) এর মাধ্যমে নিম্ন-ফিটনেস "পিতামাতার" সমাধানগুলির দ্বারা জন্মগ্রহণ করতে পারে। সুতরাং সাধারণভাবে উচ্চতর ফিটনেস সমাধানগুলি সন্ধান করতে / বহন করতে চায় তবে কেবল উচ্চ-ফিটনেস সমাধান রাখার / প্রজননের ক্ষেত্রে অত্যধিক জোর স্থানীয় মিনিমায় আটকে যেতে পারে এবং বৃহত "বিবর্তনীয় ভূদৃশ্য" অনুসন্ধান না করে। প্রকৃতপক্ষে কেউ বেঁচে থাকার জন্য "উচ্চতর ফিটনেস কাটঅফ" তৈরি করতে পারে যার ইচ্ছা তার ইচ্ছা এবং কঠোর সমাধানের জন্য এবং চূড়ান্ত সমাধানের গুণমানকে কীভাবে প্রভাবিত করে তা নিয়ে পরীক্ষা-নিরীক্ষা করতে পারে। অত্যন্ত কঠোর বা খুব শিথিল কাটঅফ কৌশল উভয়ই নিকৃষ্ট চূড়ান্ত সমাধানের দিকে নিয়ে যাবে। অবশ্যই এই সমস্ত বাস্তব জৈবিক বিবর্তনের সাথে কিছু সম্পর্ক আছে। সেখানে এটি আরও "