# जनुकात्मक अल्गोरिदम

## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/41)

**जनुकात्मक अल्गोरिदम** (GA) हे AI साठी एक **उत्क्रांतीवर आधारित दृष्टिकोन** आहे, ज्यामध्ये लोकसंख्येच्या उत्क्रांतीच्या पद्धतींचा वापर करून दिलेल्या समस्येसाठी सर्वोत्तम उपाय शोधला जातो. हे 1975 मध्ये [जॉन हेन्री हॉलंड](https://wikipedia.org/wiki/John_Henry_Holland) यांनी प्रस्तावित केले होते.

जनुकात्मक अल्गोरिदम खालील कल्पनांवर आधारित आहेत:

* समस्येचे वैध उपाय **जनुक** म्हणून दर्शवले जाऊ शकतात
* **क्रॉसओव्हर** द्वारे दोन उपाय एकत्र करून नवीन वैध उपाय मिळवता येतो
* **निवड** वापरून काही **फिटनेस फंक्शन** च्या आधारे अधिक चांगले उपाय निवडले जातात
* **म्युटेशन** वापरून ऑप्टिमायझेशन अस्थिर केले जाते आणि स्थानिक किमान मूल्यापासून बाहेर पडण्यास मदत होते

जर तुम्हाला जनुकात्मक अल्गोरिदम अंमलात आणायचा असेल, तर तुम्हाला खालील गोष्टींची आवश्यकता आहे:

 * **जनुक** g∈Γ वापरून समस्येचे उपाय कोड करण्याची पद्धत शोधणे
 * जनुकांच्या संच Γ वर **फिटनेस फंक्शन** fit: Γ→**R** परिभाषित करणे. लहान फंक्शन मूल्ये चांगल्या उपायांना दर्शवतात.
 * दोन जनुक एकत्र करून नवीन वैध उपाय मिळवण्यासाठी **क्रॉसओव्हर** यंत्रणा परिभाषित करणे crossover: &Gamma;<sup>2</sub>&rightarrow;&Gamma;.
 * **म्युटेशन** यंत्रणा परिभाषित करणे mutate: &Gamma;&rightarrow;&Gamma;.

अनेक प्रकरणांमध्ये, क्रॉसओव्हर आणि म्युटेशन हे जनुकांना संख्यात्मक अनुक्रम किंवा बिट व्हेक्टर म्हणून हाताळण्यासाठी सोपे अल्गोरिदम असतात.

जनुकात्मक अल्गोरिदमची विशिष्ट अंमलबजावणी प्रकरणानुसार बदलू शकते, परंतु एकूण संरचना खालीलप्रमाणे आहे:

1. प्रारंभिक लोकसंख्या G&subset;&Gamma; निवडा
2. या टप्प्यावर कोणती ऑपरेशन केली जाईल हे यादृच्छिकपणे निवडा: क्रॉसओव्हर किंवा म्युटेशन
3. **क्रॉसओव्हर**:
  * यादृच्छिकपणे दोन जनुक g<sub>1</sub>, g<sub>2</sub> &in; G निवडा
  * क्रॉसओव्हर गणना करा g=crossover(g<sub>1</sub>,g<sub>2</sub>)
  * जर fit(g)<fit(g<sub>1</sub>) किंवा fit(g)<fit(g<sub>2</sub>) असेल - तर लोकसंख्येतील संबंधित जनुक g ने बदला.
4. **म्युटेशन** - यादृच्छिक जनुक g&in;G निवडा आणि mutate(g) ने बदला
5. fit चे पुरेसे छोटे मूल्य मिळेपर्यंत किंवा चरणांच्या मर्यादेपर्यंत पोहोचेपर्यंत चरण 2 पासून पुन्हा सुरू करा.

## सामान्य कार्ये

जनुकात्मक अल्गोरिदमद्वारे सामान्यतः सोडवली जाणारी कार्ये:

1. वेळापत्रक ऑप्टिमायझेशन
1. सर्वोत्तम पॅकिंग
1. सर्वोत्तम कटिंग
1. exhaustive search वेगवान करणे

## ✍️ सराव: जनुकात्मक अल्गोरिदम

खालील नोटबुक्समध्ये तुमचे शिक्षण सुरू ठेवा:

[या नोटबुकमध्ये](Genetic.ipynb) जा आणि जनुकात्मक अल्गोरिदम वापरण्याचे दोन उदाहरणे पाहा:

1. खजिन्याचे न्याय्य विभाजन
1. 8 क्वीन समस्या

## निष्कर्ष

जनुकात्मक अल्गोरिदम अनेक समस्या सोडवण्यासाठी वापरले जातात, ज्यामध्ये लॉजिस्टिक्स आणि शोध समस्या समाविष्ट आहेत. हे क्षेत्र मानसशास्त्र आणि संगणक विज्ञानाच्या विषयांचे संशोधन एकत्र करून प्रेरित झाले आहे.

## 🚀 आव्हान

"जनुकात्मक अल्गोरिदम अंमलात आणणे सोपे आहे, परंतु त्यांचे वर्तन समजणे कठीण आहे." [स्रोत](https://wikipedia.org/wiki/Genetic_algorithm) जनुकात्मक अल्गोरिदमची अंमलबजावणी शोधण्यासाठी संशोधन करा, जसे की सुडोकू कोडे सोडवणे, आणि त्याचे कार्य कसे होते हे स्केच किंवा फ्लोचार्टच्या स्वरूपात स्पष्ट करा.

## [व्याख्यानानंतर प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/42)

## पुनरावलोकन आणि स्व-अभ्यास

[हा उत्कृष्ट व्हिडिओ](https://www.youtube.com/watch?v=qv6UVOQ0F44) पहा, ज्यामध्ये संगणक जनुकात्मक अल्गोरिदमद्वारे प्रशिक्षित न्यूरल नेटवर्क वापरून सुपर मारिओ खेळायला शिकतो याबद्दल चर्चा केली आहे. अशा प्रकारे संगणक खेळ शिकतो याबद्दल आपण [पुढील विभागात](../22-DeepRL/README.md) अधिक शिकू.

## [असाइनमेंट: डायोफंटाइन समीकरण](Diophantine.ipynb)

तुमचे उद्दिष्ट **डायोफंटाइन समीकरण** सोडवणे आहे - ज्यामध्ये पूर्णांक मूळ असते. उदाहरणार्थ, समीकरण a+2b+3c+4d=30 विचार करा. तुम्हाला या समीकरणाचे पूर्णांक मूळ शोधायचे आहे.

*हे असाइनमेंट [या पोस्टने](https://habr.com/post/128704/) प्रेरित आहे.*

सूचना:

1. मूळ [0;30] या अंतरात विचार करू शकता
1. जनुक म्हणून, मूळ मूल्यांच्या यादीचा विचार करा

[Diophantine.ipynb](Diophantine.ipynb) वापरून सुरुवात करा.

---