Questions tagged «genetic-algorithms»

我目前正在阅读和观看遗传算法，并且发现它非常有趣（我上大学时没有机会学习它）。 我了解突变是基于概率的（随机性是进化的根源），但我不知道生存的原因。 据我了解，一个个体III具有适应性例如另一个个体具有适应性我们有，那么比具有更好的生存可能性到下一代。F(i)F(i)F(i)JJJF(j)F(j)F(j)F(i)>F(j)F(i)>F(j)F(i) > F(j)IIIJJJ 概率意味着可以生存而可能无法生存（“运气不好”）。我不明白为什么这很好？如果将始终在选择中幸免，那么算法中会出什么问题？我的猜测是该算法将类似于贪婪算法，但我不确定。JJJ III III

24 algorithms  optimization  genetic-algorithms 

此问题是从“人工智能堆栈交换” 迁移而来的，因为可以在“计算机科学堆栈交换”上回答。 迁移 5年前。 在遗传算法的大多数实现中，重点是交叉和变异。但是不知何故，它们中的大多数都忽略了基因的二倍体（显性/隐性）性质。就我（有限的）理解而言，基因的显性/隐性是决定生物体实际特征的一个非常重要的因素。 所以我的问题是，为什么在大多数实施方案中基因算法的基因没有二倍体性质？ 是因为： 它没有太大的好处 它为原本简单的算法增加了不必要的复杂性 很难实现 还是完全其他？

20 machine-learning  genetic-algorithms 

最近，我从Google Research Blog上读了一个非常有趣的博客条目，内容涉及神经网络。基本上，他们使用这种神经网络来解决各种问题，例如图像识别。他们使用遗传算法来“进化”轴突的重量。 所以基本上我的想法如下。如果我应该写一个能识别数字的程序，我将不知道如何开始（我可能有一个模糊的想法，但我的意思是：这并不琐碎，也不容易。）但是通过使用神经网络，我不必这样做。通过创建正确的上下文以使神经网络进化，我的神经网络将“找到正确的算法”。在下面，我引用了文章中一个非常有趣的部分，其中他们解释了每一层如何在图像识别过程中发挥不同的作用。 神经网络的挑战之一是了解每一层到底发生了什么。我们知道，经过训练后，每一层都会逐步提取图像的越来越高的特征，直到最后一层基本上决定了图像显示的内容。例如，第一层可能寻找边缘或拐角。中间层解释基本特征以寻找整体形状或组件，例如门或叶子。最后几层将它们组合成完整的解释-这些神经元会响应非常复杂的事物（例如整个建筑物或树木）而激活。 所以，基本上我的问题是：我们不能使用遗传算法+神经网络来解决每个NP问题吗？我们只是创造正确的进化环境，而让“自然”找到解决方案。 感应主义：更深入地研究神经网络 编辑：我知道我们可以在许多情况下使用蛮力或找到效率不高的解决方案。这就是为什么我试图强调不断发展的人工神经网络。正如我在评论中所说：给定足够的时间和适当的突变率，我们可以找到最佳解决方案（或者至少我认为如此）。

10 machine-learning  np  neural-networks  p-vs-np  genetic-algorithms 

如何为遗传算法建模给定系统选择合适数量的参数？ 例如，假设您要优化汽车的生产，并且对1,000名不同员工中的每名员工在不同任务下的小​​时效率进行了1,000次测量。因此，您有1,000,000个数据点。其中大多数可能与工厂的整体效率之间存在弱关联，但并非如此弱，以至于您可以说它们与统计信心无关。如何为GA选择输入，以使您没有1,000,000+的自由度，从而导致收敛速度非常慢或完全没有收敛？ 具体来说，一个可以用来预选或选择性消除特征的算法是什么？ 我在这种情况下使用的一种方法是自行发展参数选择，因此我可能会有像{a,b,c}，{b,d,e,q,x,y,z}等等的父项。然后，我将对孩子进行突变以添加或删除功能。这对几十个功能都适用。但是问题是，如果存在大量的自由度，效率会很低。在这种情况下，您正在查看10^n组合（在上面的示例中10^1,000,000），这使得对功能进行一些预过滤对于获得任何有用的性能至关重要。

9 genetic-algorithms