# Генетски алгоритми

## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/41)

**Генетски алгоритми** (GA) засновани су на **еволуционарном приступу** вештачкој интелигенцији, где се методе еволуције популације користе за добијање оптималног решења за одређени проблем. Предложио их је 1975. године [Џон Хенри Холанд](https://wikipedia.org/wiki/John_Henry_Holland).

Генетски алгоритми се заснивају на следећим идејама:

* Валидна решења проблема могу се представити као **гени**
* **Укрштање** нам омогућава да комбинујемо два решења како бисмо добили ново валидно решење
* **Селекција** се користи за избор оптималнијих решења помоћу неке **функције прилагођености**
* **Мутације** се уводе ради дестабилизације оптимизације и изласка из локалног минимума

Ако желите да имплементирате генетски алгоритам, потребно је следеће:

 * Пронаћи метод за кодирање решења проблема помоћу **гена** g∈Γ
 * На скупу гена Γ дефинисати **функцију прилагођености** fit: Γ→**R**. Мање вредности функције одговарају бољим решењима.
 * Дефинисати механизам **укрштања** за комбиновање два гена како би се добило ново валидно решење crossover: &Gamma;<sup>2</sub>&rightarrow;&Gamma;.
 * Дефинисати механизам **мутације** mutate: &Gamma;&rightarrow;&Gamma;.

У многим случајевима, алгоритми за укрштање и мутацију су прилично једноставни за манипулацију генима као нумеричким низовима или бит-векторима.

Специфична имплементација генетског алгоритма може се разликовати од случаја до случаја, али општа структура је следећа:

1. Изабрати почетну популацију G&subset;&Gamma;
2. Насумично изабрати једну од операција која ће се извршити у овом кораку: укрштање или мутација
3. **Укрштање**:
  * Насумично изабрати два гена g<sub>1</sub>, g<sub>2</sub> &in; G
  * Израчунати укрштање g=crossover(g<sub>1</sub>,g<sub>2</sub>)
  * Ако fit(g)<fit(g<sub>1</sub>) или fit(g)<fit(g<sub>2</sub>) - заменити одговарајући ген у популацији са g.
4. **Мутација** - изабрати насумичан ген g&in;G и заменити га са mutate(g)
5. Поновити од корака 2, док не добијемо довољно малу вредност fit, или док се не достигне ограничење броја корака.

## Типични задаци

Задаци који се обично решавају генетским алгоритмима укључују:

1. Оптимизацију распореда
1. Оптимално паковање
1. Оптимално сечење
1. Убрзавање исцрпне претраге

## ✍️ Вежбе: Генетски алгоритми

Наставите учење у следећим нотебуцима:

Идите на [овај нотебук](Genetic.ipynb) да видите два примера коришћења генетских алгоритама:

1. Праведна подела блага
1. Проблем 8 краљица

## Закључак

Генетски алгоритми се користе за решавање многих проблема, укључујући логистичке и претраживачке проблеме. Ова област је инспирисана истраживањима која су спојила теме из психологије и рачунарских наука.

## 🚀 Изазов

"Генетски алгоритми су једноставни за имплементацију, али је њихово понашање тешко разумети." [извор](https://wikipedia.org/wiki/Genetic_algorithm) Урадите истраживање да пронађете имплементацију генетског алгоритма, као што је решавање Судоку загонетке, и објасните како функционише као скица или дијаграм тока.

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

## Преглед и самостално учење

Погледајте [овај одличан видео](https://www.youtube.com/watch?v=qv6UVOQ0F44) који говори о томе како рачунар може научити да игра Супер Марио користећи неуронске мреже обучене генетским алгоритмима. Више ћемо научити о томе како рачунар учи да игра игре [у следећем одељку](../22-DeepRL/README.md).

## [Задатак: Диофантска једначина](Diophantine.ipynb)

Ваш циљ је да решите такозвану **Диофантску једначину** - једначину са целобројним коренима. На пример, размотрите једначину a+2b+3c+4d=30. Потребно је пронаћи целобројне корене који задовољавају ову једначину.

*Овај задатак је инспирисан [овим постом](https://habr.com/post/128704/).*

Савети:

1. Можете разматрати корене у интервалу [0;30]
1. Као ген, размотрите коришћење листе вредности корена

Користите [Diophantine.ipynb](Diophantine.ipynb) као почетну тачку.

---