# Генетические алгоритмы

## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/41)

**Генетические алгоритмы** (GA) основаны на **эволюционном подходе** к искусственному интеллекту, где методы эволюции популяции используются для получения оптимального решения заданной задачи. Они были предложены в 1975 году [Джоном Генри Холландом](https://wikipedia.org/wiki/John_Henry_Holland).

Генетические алгоритмы базируются на следующих идеях:

* Валидные решения задачи могут быть представлены в виде **генов**
* **Скрещивание** позволяет объединить два решения, чтобы получить новое валидное решение
* **Отбор** используется для выбора более оптимальных решений с помощью некоторой **функции приспособленности**
* **Мутации** вводятся для дестабилизации оптимизации и выхода из локального минимума

Если вы хотите реализовать генетический алгоритм, вам потребуется следующее:

 * Найти способ кодирования решений задачи с помощью **генов** g∈Γ
 * На множестве генов Γ необходимо определить **функцию приспособленности** fit: Γ→**R**. Меньшие значения функции соответствуют лучшим решениям.
 * Определить механизм **скрещивания**, чтобы объединить два гена и получить новое валидное решение crossover: &Gamma;<sup>2</sub>&rightarrow;&Gamma;.
 * Определить механизм **мутации** mutate: &Gamma;&rightarrow;&Gamma;.

Во многих случаях скрещивание и мутация представляют собой достаточно простые алгоритмы для манипуляции генами как числовыми последовательностями или битовыми векторами.

Конкретная реализация генетического алгоритма может варьироваться в зависимости от задачи, но общая структура выглядит следующим образом:

1. Выбрать начальную популяцию G&subset;&Gamma;
2. Случайным образом выбрать одну из операций, которая будет выполнена на этом шаге: скрещивание или мутация
3. **Скрещивание**:
  * Случайным образом выбрать два гена g<sub>1</sub>, g<sub>2</sub> &in; G
  * Вычислить скрещивание g=crossover(g<sub>1</sub>,g<sub>2</sub>)
  * Если fit(g)<fit(g<sub>1</sub>) или fit(g)<fit(g<sub>2</sub>) - заменить соответствующий ген в популяции на g.
4. **Мутация** - выбрать случайный ген g&in;G и заменить его на mutate(g)
5. Повторять с шага 2, пока не будет достигнуто достаточно малое значение fit или пока не будет достигнут лимит на количество шагов.

## Типичные задачи

Задачи, которые обычно решаются с помощью генетических алгоритмов:

1. Оптимизация расписания
1. Оптимальная упаковка
1. Оптимальная нарезка
1. Ускорение полного перебора

## ✍️ Упражнения: Генетические алгоритмы

Продолжите обучение в следующих ноутбуках:

Перейдите в [этот ноутбук](Genetic.ipynb), чтобы увидеть два примера использования генетических алгоритмов:

1. Справедливое разделение сокровищ
1. Задача о 8 ферзях

## Заключение

Генетические алгоритмы используются для решения множества задач, включая логистику и задачи поиска. Эта область вдохновлена исследованиями, которые объединили темы психологии и компьютерных наук.

## 🚀 Задание

"Генетические алгоритмы легко реализовать, но их поведение сложно понять." [источник](https://wikipedia.org/wiki/Genetic_algorithm) Проведите исследование, чтобы найти реализацию генетического алгоритма, например, для решения головоломки Судоку, и объясните, как он работает, в виде схемы или блок-схемы.

## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/42)

## Обзор и самостоятельное изучение

Посмотрите [это отличное видео](https://www.youtube.com/watch?v=qv6UVOQ0F44), в котором рассказывается, как компьютер может научиться играть в Super Mario, используя нейронные сети, обученные генетическими алгоритмами. Мы узнаем больше о том, как компьютеры учатся играть в такие игры [в следующем разделе](../22-DeepRL/README.md).

## [Задание: Диофантово уравнение](Diophantine.ipynb)

Ваша цель — решить так называемое **Диофантово уравнение** — уравнение с целыми корнями. Например, рассмотрим уравнение a+2b+3c+4d=30. Вам нужно найти целые корни, которые удовлетворяют этому уравнению.

*Это задание вдохновлено [этой статьей](https://habr.com/post/128704/).*

Подсказки:

1. Вы можете рассматривать корни в интервале [0;30]
1. В качестве гена можно использовать список значений корней

Используйте [Diophantine.ipynb](Diophantine.ipynb) как отправную точку.

---