# Algoritmi Genetici

## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/41)

Gli **Algoritmi Genetici** (GA) si basano su un **approccio evolutivo** all'IA, in cui vengono utilizzati metodi di evoluzione di una popolazione per ottenere una soluzione ottimale per un determinato problema. Furono proposti nel 1975 da [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland).

Gli Algoritmi Genetici si basano sulle seguenti idee:

* Le soluzioni valide al problema possono essere rappresentate come **geni**
* Il **crossover** ci permette di combinare due soluzioni per ottenere una nuova soluzione valida
* La **selezione** viene utilizzata per scegliere le soluzioni più ottimali usando una **funzione di fitness**
* Le **mutazioni** vengono introdotte per destabilizzare l'ottimizzazione e uscire da un minimo locale

Se vuoi implementare un Algoritmo Genetico, hai bisogno di quanto segue:

 * Trovare un metodo per codificare le soluzioni del problema usando **geni** g∈Γ
 * Sul set di geni Γ è necessario definire una **funzione di fitness** fit: Γ→**R**. Valori più piccoli della funzione corrispondono a soluzioni migliori.
 * Definire un meccanismo di **crossover** per combinare due geni e ottenere una nuova soluzione valida crossover: &Gamma;<sup>2</sub>&rightarrow;&Gamma;.
 * Definire un meccanismo di **mutazione** mutate: &Gamma;&rightarrow;&Gamma;.

In molti casi, il crossover e la mutazione sono algoritmi piuttosto semplici per manipolare geni come sequenze numeriche o vettori di bit.

L'implementazione specifica di un algoritmo genetico può variare da caso a caso, ma la struttura generale è la seguente:

1. Selezionare una popolazione iniziale G&subset;&Gamma;
2. Selezionare casualmente una delle operazioni che verranno eseguite in questo passaggio: crossover o mutazione
3. **Crossover**:
  * Selezionare casualmente due geni g<sub>1</sub>, g<sub>2</sub> &in; G
  * Calcolare il crossover g=crossover(g<sub>1</sub>,g<sub>2</sub>)
  * Se fit(g)<fit(g<sub>1</sub>) o fit(g)<fit(g<sub>2</sub>) - sostituire il gene corrispondente nella popolazione con g.
4. **Mutazione** - selezionare un gene casuale g&in;G e sostituirlo con mutate(g)
5. Ripetere dal passaggio 2, fino a ottenere un valore sufficientemente piccolo di fit, o fino a raggiungere il limite sul numero di passaggi.

## Compiti Tipici

I compiti tipicamente risolti dagli Algoritmi Genetici includono:

1. Ottimizzazione dei programmi
1. Impacchettamento ottimale
1. Taglio ottimale
1. Accelerazione della ricerca esaustiva

## ✍️ Esercizi: Algoritmi Genetici

Continua il tuo apprendimento nei seguenti notebook:

Vai a [questo notebook](Genetic.ipynb) per vedere due esempi di utilizzo degli Algoritmi Genetici:

1. Divisione equa del tesoro
1. Problema delle 8 Regine

## Conclusione

Gli Algoritmi Genetici vengono utilizzati per risolvere molti problemi, inclusi problemi di logistica e ricerca. Il campo è ispirato da ricerche che hanno unito argomenti di Psicologia e Informatica.

## 🚀 Sfida

"Gli algoritmi genetici sono semplici da implementare, ma il loro comportamento è difficile da comprendere." [fonte](https://wikipedia.org/wiki/Genetic_algorithm) Fai una ricerca per trovare un'implementazione di un algoritmo genetico, come la risoluzione di un puzzle Sudoku, e spiega come funziona attraverso uno schema o un diagramma di flusso.

## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/42)

## Revisione & Studio Autonomo

Guarda [questo fantastico video](https://www.youtube.com/watch?v=qv6UVOQ0F44) che parla di come un computer può imparare a giocare a Super Mario usando reti neurali addestrate con algoritmi genetici. Impareremo di più su come i computer imparano a giocare a giochi simili [nella prossima sezione](../22-DeepRL/README.md).

## [Compito: Equazione Diofantea](Diophantine.ipynb)

Il tuo obiettivo è risolvere la cosiddetta **equazione diofantea** - un'equazione con radici intere. Ad esempio, considera l'equazione a+2b+3c+4d=30. Devi trovare le radici intere che soddisfano questa equazione.

*Questo compito è ispirato da [questo post](https://habr.com/post/128704/).*

Suggerimenti:

1. Puoi considerare le radici nell'intervallo [0;30]
1. Come gene, considera l'utilizzo della lista dei valori delle radici

Usa [Diophantine.ipynb](Diophantine.ipynb) come punto di partenza.

---