Vantaggi dell'utilizzo dell'algoritmo genetico

13

Qualcuno può spiegarmi i vantaggi dell'algoritmo genetico rispetto ad altri metodi di ricerca e ottimizzazione tradizionali?

genetic-algorithms

— lakesh
fonte

4

Che tipo di GA? Rispetto a quali metodi "tradizionali"? Senza questo, si può solo dire qualcosa come "Convergenza più rapida e minore pericolo di rimanere bloccati nell'ottimale locale in alcune applicazioni", lo stesso di qualsiasi altro metodo di ottimizzazione.

19

I motivi principali per utilizzare un algoritmo genetico sono:

ci sono più optima locali
la funzione obiettivo non è regolare (quindi non è possibile applicare metodi derivati)
il numero di parametri è molto grande
la funzione oggettiva è rumorosa o stocastica

Un gran numero di parametri può essere un problema per i metodi basati su derivate quando non si ha la definizione del gradiente. In questo tipo di situazione, è possibile trovare una soluzione non terribile tramite GA e quindi migliorarla con il metodo basato su derivati. La definizione di "grande" è in continua crescita.

— Patrick Burns
fonte

3

+1. Ero innamorato di GA, ma ora tendo ad evitarli. Mi sembra che abbiano attraversato una fase di hype, ispirato un mucchio di metodi analoghi alla natura (ACO, ecc.) E poi sbiaditi in una nicchia. Un po 'come le reti neurali, nella mia propensione personale. (Detto questo, ho usato ES di recente.)

— Wayne,

1

Wayne, sono d'accordo. Tendo a dire "GA" per qualsiasi strategia evolutiva, e anche mescolare altre tecniche è spesso una buona idea. Le GA tradizionali sono orribilmente inefficienti.

— Patrick Burns,

7

Il concetto è facile da capire
Modulare, separato dall'applicazione
Supporta multi-obiettivo
ottimizzazione Buono per ambienti "rumorosi"
Sempre una risposta; la risposta migliora col tempo
Inerentemente parallelo; facilmente distribuito

— bianco come la neve
fonte

Nel mio lavoro, la semplice parallelizzazione è stata il singolo fattore più importante nell'uso di un algoritmo genetico piuttosto che qualcosa di simile alla ricottura simulata.

— veryshuai,

6

Gli algoritmi genetici differiscono dai tradizionali metodi di ricerca e ottimizzazione in quattro punti significativi:

Gli algoritmi genetici cercano in parallelo da una popolazione di punti. Pertanto, ha la capacità di evitare di essere intrappolato in una soluzione ottimale locale come i metodi tradizionali, che cercano da un singolo punto.
Gli algoritmi genetici usano regole di selezione probabilistiche, non deterministiche.
Gli algoritmi genetici funzionano sul cromosoma, che è la versione codificata dei parametri delle soluzioni potenziali, piuttosto che i parametri stessi.
Gli algoritmi genetici utilizzano il punteggio di fitness, ottenuto da funzioni oggettive, senza altre informazioni derivate o ausiliarie

— lakesh
fonte

3

Gli algoritmi genetici sono una specie di ultima risorsa. Sono utili solo quando una soluzione analitica non è fattibile (vedi la risposta di Patrick per i motivi più comuni) e hai molto tempo a disposizione per la CPU.

— Carlos Accioly
fonte