# อัลกอริทึมเชิงพันธุกรรม

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

**อัลกอริทึมเชิงพันธุกรรม** (Genetic Algorithms หรือ GA) มีพื้นฐานมาจาก **แนวทางวิวัฒนาการ** ใน AI ซึ่งใช้วิธีการวิวัฒนาการของประชากรเพื่อหาคำตอบที่เหมาะสมที่สุดสำหรับปัญหาที่กำหนดไว้ อัลกอริทึมนี้ถูกเสนอขึ้นในปี 1975 โดย [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland)

อัลกอริทึมเชิงพันธุกรรมมีแนวคิดดังนี้:

* คำตอบที่ถูกต้องสำหรับปัญหาสามารถแสดงเป็น **ยีน**
* **Crossover** ช่วยให้เราสามารถรวมคำตอบสองคำตอบเข้าด้วยกันเพื่อสร้างคำตอบใหม่ที่ถูกต้อง
* **Selection** ใช้เพื่อเลือกคำตอบที่เหมาะสมมากขึ้นโดยใช้ **ฟังก์ชันความเหมาะสม** (fitness function)
* **Mutation** ถูกนำมาใช้เพื่อทำให้การปรับแต่งไม่เสถียรและช่วยให้หลุดออกจากค่าต่ำสุดในพื้นที่เฉพาะ

หากคุณต้องการสร้างอัลกอริทึมเชิงพันธุกรรม คุณต้องมีสิ่งต่อไปนี้:

* หาวิธีการเข้ารหัสคำตอบของปัญหาโดยใช้ **ยีน** g∈Γ
* ในเซตของยีน Γ คุณต้องกำหนด **ฟังก์ชันความเหมาะสม** fit: Γ→**R** โดยค่าฟังก์ชันที่น้อยกว่าจะหมายถึงคำตอบที่ดีกว่า
* กำหนดกลไก **Crossover** เพื่อรวมยีนสองตัวเข้าด้วยกันเพื่อสร้างคำตอบใหม่ crossover: &Gamma;<sup>2</sub>&rightarrow;&Gamma;
* กำหนดกลไก **Mutation** mutate: &Gamma;&rightarrow;&Gamma;

ในหลายกรณี กลไก crossover และ mutation เป็นอัลกอริทึมที่ค่อนข้างง่ายในการจัดการยีนที่เป็นลำดับตัวเลขหรือเวกเตอร์บิต

การนำอัลกอริทึมเชิงพันธุกรรมไปใช้จริงอาจแตกต่างกันไปในแต่ละกรณี แต่โครงสร้างโดยรวมมีดังนี้:

1. เลือกประชากรเริ่มต้น G&subset;&Gamma;
2. เลือกแบบสุ่มหนึ่งในกระบวนการที่จะดำเนินการในขั้นตอนนี้: crossover หรือ mutation
3. **Crossover**:
   * เลือกยีนสองตัวแบบสุ่ม g<sub>1</sub>, g<sub>2</sub> &in; G
   * คำนวณ crossover g=crossover(g<sub>1</sub>,g<sub>2</sub>)
   * หาก fit(g)<fit(g<sub>1</sub>) หรือ fit(g)<fit(g<sub>2</sub>) - แทนที่ยีนที่เกี่ยวข้องในประชากรด้วย g
4. **Mutation** - เลือกยีนแบบสุ่ม g&in;G และแทนที่ด้วย mutate(g)
5. ทำซ้ำตั้งแต่ขั้นตอนที่ 2 จนกว่าจะได้ค่าของ fit ที่เล็กพอ หรือจนกว่าจะถึงขีดจำกัดของจำนวนขั้นตอน

## งานที่พบบ่อย

งานที่มักแก้ไขด้วยอัลกอริทึมเชิงพันธุกรรม ได้แก่:

1. การปรับตารางเวลาให้เหมาะสม
1. การจัดวางสิ่งของให้เหมาะสมที่สุด
1. การตัดวัสดุให้เหมาะสมที่สุด
1. การเร่งการค้นหาแบบครบถ้วน

## ✍️ แบบฝึกหัด: อัลกอริทึมเชิงพันธุกรรม

เรียนรู้เพิ่มเติมในโน้ตบุ๊กต่อไปนี้:

ไปที่ [โน้ตบุ๊กนี้](Genetic.ipynb) เพื่อดูตัวอย่างสองตัวอย่างของการใช้อัลกอริทึมเชิงพันธุกรรม:

1. การแบ่งสมบัติอย่างยุติธรรม
1. ปัญหา 8 Queens

## สรุป

อัลกอริทึมเชิงพันธุกรรมถูกใช้ในการแก้ปัญหาหลายประเภท รวมถึงปัญหาด้านโลจิสติกส์และการค้นหา สาขานี้ได้รับแรงบันดาลใจจากการวิจัยที่ผสมผสานหัวข้อในจิตวิทยาและวิทยาการคอมพิวเตอร์

## 🚀 ความท้าทาย

"อัลกอริทึมเชิงพันธุกรรมง่ายต่อการนำไปใช้ แต่พฤติกรรมของมันยากที่จะเข้าใจ" [source](https://wikipedia.org/wiki/Genetic_algorithm) ลองค้นคว้าเพื่อหาอัลกอริทึมเชิงพันธุกรรมที่ใช้แก้ปัญหา เช่น การแก้ปริศนา Sudoku และอธิบายวิธีการทำงานของมันในรูปแบบร่างหรือแผนภาพการไหล

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

## ทบทวนและศึกษาด้วยตัวเอง

ดู [วิดีโอที่ยอดเยี่ยมนี้](https://www.youtube.com/watch?v=qv6UVOQ0F44) ที่พูดถึงวิธีที่คอมพิวเตอร์เรียนรู้การเล่นเกม Super Mario โดยใช้เครือข่ายประสาทที่ฝึกด้วยอัลกอริทึมเชิงพันธุกรรม เราจะเรียนรู้เพิ่มเติมเกี่ยวกับการที่คอมพิวเตอร์เรียนรู้การเล่นเกมแบบนี้ [ในส่วนถัดไป](../22-DeepRL/README.md)

## [การบ้าน: สมการไดโอแฟนไทน์](Diophantine.ipynb)

เป้าหมายของคุณคือการแก้ **สมการไดโอแฟนไทน์** - สมการที่มีรากเป็นจำนวนเต็ม ตัวอย่างเช่น พิจารณาสมการ a+2b+3c+4d=30 คุณต้องหาค่ารากที่เป็นจำนวนเต็มที่ทำให้สมการนี้เป็นจริง

*การบ้านนี้ได้รับแรงบันดาลใจจาก [โพสต์นี้](https://habr.com/post/128704/)*

คำแนะนำ:

1. คุณสามารถพิจารณารากให้อยู่ในช่วง [0;30]
1. ใช้รายการค่ารากเป็นยีน

ใช้ [Diophantine.ipynb](Diophantine.ipynb) เป็นจุดเริ่มต้น

---