জেনেটিক অ্যালগরিদমের আরও বেশি প্রচারের মাধ্যমে ভাল জিনকে পুরস্কৃত করার কিছু উপায় প্রয়োজন। খারাপ জিন থেকে ভাল জিন বলার কোনও উপায় না থাকলে আপনি কোনও জেনেটিক অ্যালগরিদম একেবারেই ব্যবহার করতে পারবেন না।
জেনেটিক অ্যালগরিদম কাজ করার জন্য, আপনাকে কম ফিটের সমাধানগুলির পছন্দকে আরও ফিট সমাধানগুলি পুনরুত্পাদন করতে হবে। অন্যথায়, আপনি কেবল এলোমেলো সমাধানের চেষ্টা করছেন।
এখানে আমার নিজের অভিজ্ঞতার একটি আদর্শ উদাহরণ রয়েছে: প্রথম ভয়েস ডায়ালিং সিস্টেমগুলির মধ্যে একটির বিকাশ করে আমাদের সেই একই নামের একটি সঞ্চিত অনুলিপিটির সাথে কথ্য নামের সাথে মেলে একটি অ্যালগরিদম খুঁজে পেতে খুব কষ্ট হয়েছিল। আমাদের জানানো হয়েছিল যে ২৫% এর মধ্যে একটি নাম বাছাই করা 95% নির্ভুলতা যথেষ্ট। আমাদের কাছে লোকেরা একটি স্টোরেজড কর্পস ছিল যার প্রতি 25 বার 25 টি নাম রয়েছে।
প্রথমত, আমরা একটি ইনপুট সিস্টেমটি বিকাশ করেছি যা কথ্য শব্দের দৈর্ঘ্য এবং এর বেশ কয়েকটি স্বাভাবিক অংশে ফ্রিকোয়েন্সি শক্তি পরিমাপ করে। তারপরে আমরা একটি অ্যালগরিদম তৈরি করেছি যা সেই পরামিতিগুলির উপর ম্যাচগুলিতে ওজন নির্ধারণ করে এবং সেই ওজনগুলির মাধ্যমে পরামিতিগুলির দুটি সেটকে তুলনা করে।
এখন, আমাদের একটি শেষ পদক্ষেপ ছিল - এই ওজনগুলির মূল্য কত হওয়া উচিত?
আমরা ওজনের 1000 টি এলোমেলো সেট তৈরি করেছি এবং কর্পাসের বিরুদ্ধে এগুলি পরীক্ষা করেছি। আমরা 500টিকে দূরে ফেলে দিয়েছি যা সবচেয়ে খারাপ ফলাফল করেছে। বাকি 500 টির জন্য, আমরা প্রত্যেকে নকল করেছি এবং এর মধ্যে একটিতে এলোমেলোভাবে ওজন বাড়িয়ে বা কমিয়েছি।
শেষ পর্যন্ত 95% নির্ভুলতার মানদণ্ড পূরণ না করে এমন একটি ওজনের একটি সেট না হওয়া পর্যন্ত আমরা কম্পিউটারে এই প্রক্রিয়াটি প্রায় দুই সপ্তাহের জন্য পুনরাবৃত্তি করি। তারপরে আমরা এটি কর্পাসে নয় এমন ডেটাতে পরীক্ষা করেছি। এটি প্রায় 92% সঠিক ছিল। সুতরাং আমরা কর্পাসে 98% যথাযথতা পেতে দীর্ঘতর দৌড়েছি এবং সেই ওজনের সেটটি কর্পাসে নয়, ডেটাতে 95% নির্ভুলতা তৈরি করেছে।
সুতরাং, মুল বক্তব্যটি হ'ল জেনেটিক অ্যালগরিদম চালানোর জন্য আপনার অবশ্যই ফিটনেস ফাংশন থাকতে হবে। খারাপ জিন থেকে ভাল জিন বলার কোনও উপায় না থাকলে আপনি কীভাবে নিশ্চিত করতে পারেন যে ভাল জিনগুলি পুনরুত্পাদন করে এবং খারাপ জিনগুলি না হয়?