জেনেটিক অ্যালগরিদম নিয়ে গবেষণা কেন ধীর হয়েছে?

Question

জেনেটিক অ্যালগোরিদম ব্যবহার সহ আজ কিছু ইন্ট্রো স্তরের বিষয়ে আলোচনা করার সময়; আমাকে বলা হয়েছিল যে গবেষণাটি এই ক্ষেত্রে সত্যই ধীর হয়েছে। প্রদত্ত কারণটি হ'ল বেশিরভাগ মানুষ মেশিন লার্নিং এবং ডেটা মাইনিংয়ের দিকে মনোনিবেশ করছেন।
আপডেট: এটি কি সঠিক? এবং যদি তা হয়, জিএর সাথে তুলনা করার সময় এমএল / ডিএমের কী সুবিধা রয়েছে?

Comments

দয়া করে প্রশ্নটি সংশোধন করুন যাতে এটি কম মতামত চেয়ে বেশি তথ্যের জন্য জিজ্ঞাসা করে (যেমন GA / EA এর অসুবিধাগুলি যা সময়ের সাথে সাথে আরও স্পষ্ট হয়ে উঠেছে)।

— রাফেল

আমি যতদূর জানি, যদি অনেকগুলি অ্যালগরিদম দেওয়া হয় যা একটি নির্দিষ্ট সমস্যা সমাধান করতে পারে, তবে জিএ বেশিরভাগ ক্ষেত্রে সেরা হবে না।

— স্ট্রিন

Answer 1

ঠিক আছে, পরিসংখ্যানগত প্যাটার্ন স্বীকৃতি এবং ডেটা মাইনিংয়ের অর্থে মেশিন লার্নিং অবশ্যই উষ্ণতর অঞ্চল, তবে আমি বলব না যে বিবর্তনীয় অ্যালগরিদমে গবেষণা বিশেষত ধীর হয়ে গেছে। দুটি ক্ষেত্র একই ধরণের সমস্যার ক্ষেত্রে সাধারণত প্রয়োগ হয় না। কোনও ডেটাচালিত পদ্ধতি আপনাকে কীভাবে সহায়তা করে তা অবিলম্বে পরিষ্কার নয়, উদাহরণস্বরূপ, সর্বোত্তম শিডিয়াল কর্মী শিফট বা রুট প্যাকেজগুলি আরও দক্ষতার সাথে কীভাবে করা যায় তা নির্ধারণ করুন।

বিবর্তনীয় পদ্ধতিগুলি প্রায়শই প্যাটার্ন সনাক্তকরণের পরিবর্তে হার্ড অপ্টিমাইজেশান সমস্যায় ব্যবহৃত হয়। সর্বাধিক প্রত্যক্ষ প্রতিযোগীরা হ'ল অপারেশন গবেষণার পদ্ধতি, মূলত গাণিতিক প্রোগ্রামিং এবং অন্যান্য রূপের তাত্ত্বিক অনুসন্ধানের মতো ট্যাবু অনুসন্ধান, সিমুলেটেড অ্যানিলিং এবং কয়েক ডজন অন্যান্য অ্যালগোরিদম সম্মিলিতভাবে "মেটাওরিস্টিকস" নামে পরিচিত। বিবর্তনীয় গণনা (জিইসিসিও এবং সিইসি) নিয়ে দুটি খুব বড় বার্ষিক সম্মেলন রয়েছে, পিপিএসএন, ইএমও, এফওজিএ, এবং এভোস্টারের মতো বেশ কয়েকটি ছোট ছোট সম্মেলন এবং কমপক্ষে দুটি বড় উচ্চ-মানের জার্নাল (আইইইইই ট্রানজেকশনের বিবর্তনীয় গণনা এবং এমআইটি প্রেস) জার্নাল বিবর্তন গণনা) পাশাপাশি অনেকগুলি ছোট সংখ্যক যা তাদের বিস্তৃত ফোকাসের ইসি অংশ অন্তর্ভুক্ত করে।

যা যা বলেছিল, ক্ষেত্রটির আরও বেশিরভাগ সুবিধা রয়েছে যা "মেশিন লার্নিং" হিসাবে "হটনেস" এর তুলনায় কোনও হিসাবে রয়েছে of এক, এটি অনেক দৃ the় তাত্ত্বিক স্থানে থাকে যা গণিতবিদরা সর্বদা পছন্দ করেন। দুই, আমরা তথ্যের জন্য একটি স্বর্ণযুগের কিছুতে রয়েছি, এবং প্রচুর পরিমাণে কাটিয়া প্রান্তের মেশিন শেখার পদ্ধতিগুলি কেবলমাত্র যখন প্রচুর পরিমাণে ডেটা এবং টন গণনা শক্তি দেওয়া হয় তখন জ্বলতে শুরু করে এবং উভয় দিক থেকেই সময়টি এক অর্থে হয় "সঠিক"।

Comments

আপনি কি দয়া করে আপনার প্রশ্নের উত্তরটি পরিষ্কার / হাইলাইট করতে পারেন?

— রাফেল

আমি নিশ্চিত নই যে আপনি কীভাবে আমাকে বিস্তারিতভাবে বর্ণনা করতে চান।

— দেওং

কেবলমাত্র ওপির প্রশ্নটি পরিষ্কারভাবে জেনে নিন: জিএ / ইএর (এমএল) এর (হার্ড) সুবিধাগুলি কী? নাকি আপনি অরথগোনাল কিছু প্রস্তাব করছেন?

— রাফেল

আমি বলছি তারা (বেশিরভাগ) একই সমস্যার ক্ষেত্রে প্রয়োগ করে না। এমএলটির সুবিধা হ'ল এটি প্যাটার্ন স্বীকৃতি এবং শ্রেণিবিন্যাসের জন্য সত্যই ভাল কাজ করে; জিএএসের সুবিধা হ'ল তারা হার্ড অপ্টিমাইজেশান সমস্যাগুলিতে কাজ করে। এর বাইরেও, এটি গাড়ি বনাম বাড়িগুলির সুবিধাগুলি চাওয়ার মতো। অনেক এমএল অ্যালগরিদম প্রশিক্ষণের পদক্ষেপ হিসাবে একটি অপ্টিমাইজেশান সমস্যা সমাধানের সাথে জড়িত এবং সেখানে জিএ-ভিত্তিক লার্নিং অ্যাপ্রোচ রয়েছে (ক্লাসিফায়ার সিস্টেমগুলি শেখার) রয়েছে, তবে বেশিরভাগ ক্ষেত্রে তারা সম্পূর্ণ ভিন্ন অঞ্চল।

— দেওং

Answer 2

কয়েক দশক আগে, লোকেরা ভেবেছিল যে জেনেটিক এবং বিবর্তনীয় অ্যালগরিদমগুলি সুইস-আর্মি-ছুরি, দর্শনীয় প্রাথমিক ফলাফল দ্বারা জ্বালানী। বিল্ডিং ব্লক হাইপোথিসিসের মতো বিবৃতিগুলি প্রমাণ করার চেষ্টা করা হয়েছিল যে তারা সাধারণ ভাল কৌশল ছিল।

তবে, কঠোর ফলাফলগুলি আসতে ধীর ছিল এবং প্রায়শই বিবেচনা করা হত, সর্বাধিক সুস্পষ্টভাবে নো ফ্রি লাঞ্চ উপপাদ্য । এটি স্পষ্ট হয়ে উঠল যে জিনগত / বিবর্তনীয় অ্যালগোরিদমগুলি প্রায়শই শালীন হিউরিস্টিক তবে কোনও ক্ষেত্রেই অনুকূল নয়।

আজ আমরা জানি যে আমরা যতটা সমস্যা যথাক্রমে তার কাঠামোর সম্পর্কে জানি, ততই বুদ্ধিমান / বিবর্তনীয় অ্যালগরিদমগুলিকে অন্যান্য পদ্ধতি হিসাবে ব্যবহার করে যা এই জ্ঞানকে তাদের চৌম্বকতার দ্বারা ছাপিয়ে যায়। যেসব ক্ষেত্রে হাতের সমস্যা সম্পর্কে খুব কম জানা যায়, তবে তারা এখনও কার্যকর একটি বিকল্প হিসাবে রয়ে গেছে কারণ তারা আদৌ কাজ করে।

Comments

আমি মনে করি এটি জোর দেওয়া উচিত যে এনএফএলটি কেবল জিএ নয়, সমস্ত তাত্ত্বিক অনুসন্ধান অ্যালগরিদমে "সীমাবদ্ধতা" নির্ধারণ করে। কোনটি তাদের প্রতিটি উদাহরণের উপর মহান, এবং তাই আপনার অর্থে, কেউ তাদের কোন অর্থে অনুকূল নয়।

— জুহো

আমার মনে আছে এয়ারোডাইনামিক সমস্যা সমাধানের জন্য জেনেটিক অ্যালগরিদম ব্যবহার করেছি এবং সপ্তাহ এবং সপ্তাহের গণনার পরে ফলাফলটি সবচেয়ে রুক্ষ বায়ুবিদ্যুত তত্ত্ব দ্বারা প্রদত্ত ফলাফলের চেয়ে অসীম ছিল। আমার ধারণা আছে যে কৃত্রিম বুদ্ধিমত্তা এবং

— সিমিলারগুলি

@ user9589 দু'টি পারস্পরিক একচেটিয়া নয়। ডোমেন জ্ঞান আপনাকে বাছাই করতে পারে এবং বৈজ্ঞানিক পদ্ধতিগুলি টিউন করতে সহায়তা করতে পারে।

— রাফেল

@ রাফেল আমি বলব কৃত্রিম বুদ্ধিমত্তা আপনাকে ডোমেন জ্ঞান টিউন করতে সহায়তা করে।

— ব্যবহারকারী5193682

Answer 3

গল্পটির একটি সমালোচনাপূর্ণ অংশ, যা আমি দেখছি, এখনও পর্যন্ত অন্যান্য উত্তরগুলি থেকে অনুপস্থিত:

জেনেটিক অ্যালগরিদমগুলি বেশিরভাগ ব্রুট ফোর্স অনুসন্ধান সমস্যার জন্য দরকারী।

অনেক প্রসঙ্গে, সহজতর অপ্টিমাইজেশান কৌশল বা ইনফারেন্স মডেল (যাকে আপনি মেশিন লার্নিংকে বৃহতভাবে কল করবেন) খুব ভাল পারফর্ম করতে পারে এবং ব্রুটে ফোর্স অনুসন্ধানের চেয়ে অনেক বেশি দক্ষতার সাথে করতে পারে।

জিনেটিক অ্যালগরিদমগুলি সিমুলেটেড অ্যানিলিংয়ের মতো হার্ড (যেমন এনপি কমপ্লিট) অনুসন্ধানের সমস্যার সাহায্যে ওয়েল-ওয়ে-ওয়ে-ওয়ে-ওয়ে-কীভাবে পরিচালনা করার কৌশল হিসাবে সবচেয়ে কার্যকর। এই ডোমেনগুলি সমস্যাগুলির অভ্যন্তরীণ কঠোরতার দ্বারা এতটা সীমাবদ্ধ থাকে যে সমাধান কৌশলটিতে পরিমিতরূপে জেনেটিক অ্যালগরিদমগুলি উন্নত করে তাত্পর্যপূর্ণ করা এবং পুনরাবৃত্তি করা প্রায়শই খুব বেশি ব্যবহার হয় না এবং তাই ভয়ঙ্কর আকর্ষণীয় নয়।

Answer 4

কিছুটা পরিমাণে, মেশিন লার্নিং আরও গাণিতিক হয়ে উঠছে এবং অ্যালগরিদমগুলির সাথে কাজ করতে 'প্রমাণিত' হতে সক্ষম। কিছু উপায়ে, জিএগুলি খুব "সেখানে Wth ঘটেছে" এবং আপনি প্রশ্নের পুরোপুরি উত্তর দিতে পারবেন না "সুতরাং আপনার প্রোগ্রামটি কী করেছিল?" (ভাল কিছু লোকের চোখে, যাইহোক)।

আমি ব্যক্তিগতভাবে স্নায়ু জাল এবং জিএ = জিএএনএস সংমিশ্রনের পক্ষে পরামর্শ দিই। আমার অনার্স থিসিসে, আমি প্রথমে এনএনএস, তারপরে একটি জিএ এবং অবশেষে একটি জিএনএন ব্যবহার করে একটি ড্রাগের পূর্বাভাস অ্যালগরিদম তৈরি করি যা উভয় বিশ্বের সেরা গ্রহণ করে এবং অন্য দুটি সেটকে ছাড়িয়ে যায়। তবে ওয়াইএমএমভি।

Comments

আপনার দাবি (গুলি) এর কিছু প্রমাণ দেওয়ার জন্য দয়া করে একটি সাধারণ উদাহরণ দিন যেখানে "এমএল" এর সুবিধাগুলি সুস্পষ্ট হয়ে ওঠে। এছাড়াও, দয়া করে আপনার থিসিসে একটি যথাযথ রেফারেন্স / লিঙ্ক দিন।

— রাফেল

সম্পর্কিত: নিউরোইভলিউশন

— ফ্রাঙ্ক ডারননকোর্ট

Answer 5

মেশিন লার্নিং গাণিতিক যন্ত্রপাতিগুলির বৃহত অংশটি বিকাশ ও প্রয়োগ করার জন্য উন্মোচন করে। জেনেটিক্স অ্যালগোরিদম বেশিরভাগ হিউরিস্টিক্স দ্বারা সম্পন্ন হয়।

Comments

আপনি জিএ / ইএ সম্পর্কে জিনিসগুলি প্রমাণ করতে পারেন। যদিও এটা শক্ত। যদিও এমএলটির কঠোর ভিত্তি রয়েছে, যারা এমএল কৌশল প্রয়োগ করেন তারা প্রায়শই অ্যাড-হক পদ্ধতিতে এটি করেন। তাহলে কি আপনার যুক্তিটি কেবল কাগজে উপস্থিত রয়েছে, বা বাস্তবে কোনও পার্থক্য রয়েছে?

— রাফেল