# Генетичні алгоритми

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

**Генетичні алгоритми** (GA) базуються на **еволюційному підході** до штучного інтелекту, де методи еволюції популяції використовуються для отримання оптимального рішення для заданої задачі. Вони були запропоновані у 1975 році [Джоном Генрі Голландом](https://wikipedia.org/wiki/John_Henry_Holland).

Генетичні алгоритми базуються на таких ідеях:

* Валідні рішення задачі можуть бути представлені як **гени**
* **Схрещування** дозволяє комбінувати два рішення, щоб отримати нове валідне рішення
* **Відбір** використовується для вибору більш оптимальних рішень за допомогою **функції пристосованості**
* **Мутації** вводяться для дестабілізації оптимізації та виходу з локального мінімуму

Якщо ви хочете реалізувати генетичний алгоритм, вам потрібно:

 * Знайти метод кодування рішень задачі за допомогою **генів** g∈Γ
 * На множині генів Γ визначити **функцію пристосованості** fit: Γ→**R**. Менші значення функції відповідають кращим рішенням.
 * Визначити механізм **схрещування**, щоб комбінувати два гени та отримати нове валідне рішення crossover: &Gamma;<sup>2</sub>&rightarrow;&Gamma;.
 * Визначити механізм **мутації** mutate: &Gamma;&rightarrow;&Gamma;.

У багатьох випадках схрещування та мутація є досить простими алгоритмами для маніпуляції генами як числовими послідовностями або бітовими векторами.

Конкретна реалізація генетичного алгоритму може варіюватися залежно від задачі, але загальна структура виглядає так:

1. Вибрати початкову популяцію G&subset;&Gamma;
2. Випадково вибрати одну з операцій, яка буде виконана на цьому кроці: схрещування або мутація
3. **Схрещування**:
  * Випадково вибрати два гени g<sub>1</sub>, g<sub>2</sub> &in; G
  * Обчислити схрещування g=crossover(g<sub>1</sub>,g<sub>2</sub>)
  * Якщо fit(g)<fit(g<sub>1</sub>) або fit(g)<fit(g<sub>2</sub>) - замінити відповідний ген у популяції на g.
4. **Мутація** - вибрати випадковий ген g&in;G і замінити його на mutate(g)
5. Повторювати з кроку 2, поки не буде досягнуто достатньо малого значення fit або поки не буде досягнуто ліміту на кількість кроків.

## Типові задачі

Задачі, які зазвичай вирішуються за допомогою генетичних алгоритмів:

1. Оптимізація розкладу
1. Оптимальне пакування
1. Оптимальне різання
1. Прискорення повного перебору

## ✍️ Вправи: Генетичні алгоритми

Продовжуйте навчання у наступних ноутбуках:

Перейдіть до [цього ноутбука](Genetic.ipynb), щоб побачити два приклади використання генетичних алгоритмів:

1. Справедливий розподіл скарбів
1. Задача про 8 ферзів

## Висновок

Генетичні алгоритми використовуються для вирішення багатьох задач, включаючи логістичні та пошукові задачі. Ця галузь натхненна дослідженнями, які об'єднали теми з психології та комп'ютерних наук.

## 🚀 Виклик

"Генетичні алгоритми легко реалізувати, але їх поведінку важко зрозуміти." [джерело](https://wikipedia.org/wiki/Genetic_algorithm) Проведіть дослідження, щоб знайти реалізацію генетичного алгоритму, наприклад, для вирішення головоломки Судоку, і поясніть, як він працює у вигляді ескізу або блок-схеми.

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

## Огляд і самостійне навчання

Перегляньте [це чудове відео](https://www.youtube.com/watch?v=qv6UVOQ0F44), яке розповідає про те, як комп'ютер може навчитися грати в Super Mario, використовуючи нейронні мережі, треновані генетичними алгоритмами. Ми дізнаємося більше про те, як комп'ютер навчається грати в такі ігри [у наступному розділі](../22-DeepRL/README.md).

## [Завдання: Діофантове рівняння](Diophantine.ipynb)

Ваше завдання - вирішити так зване **Діофантове рівняння** - рівняння з цілими коренями. Наприклад, розглянемо рівняння a+2b+3c+4d=30. Вам потрібно знайти цілі корені, які задовольняють це рівняння.

*Це завдання натхнене [цією статтею](https://habr.com/post/128704/).*

Підказки:

1. Ви можете розглядати корені в інтервалі [0;30]
1. Як ген, розгляньте список значень коренів

Використовуйте [Diophantine.ipynb](Diophantine.ipynb) як відправну точку.

---