AI-For-Beginners/translations/no/lessons/6-Other/21-GeneticAlgorithms

Genetiske Algoritmer

Quiz før forelesning

Genetiske algoritmer (GA) er basert på en evolusjonær tilnærming til AI, der metoder for evolusjon av en populasjon brukes for å finne en optimal løsning for et gitt problem. De ble foreslått i 1975 av John Henry Holland.

Genetiske algoritmer bygger på følgende ideer:

• Gyldige løsninger på problemet kan representeres som gener
• Kryssing lar oss kombinere to løsninger for å oppnå en ny gyldig løsning
• Seleksjon brukes til å velge mer optimale løsninger ved hjelp av en fitness-funksjon
• Mutasjoner introduseres for å destabilisere optimaliseringen og få oss ut av lokale minima

Hvis du vil implementere en genetisk algoritme, trenger du følgende:

• En metode for å kode problemets løsninger ved hjelp av gener g∈Γ
• På settet av gener Γ må vi definere en fitness-funksjon fit: Γ→R. Mindre verdier av funksjonen tilsvarer bedre løsninger.
• Definere en kryssingsmekanisme for å kombinere to gener og få en ny gyldig løsning crossover: Γ^2→Γ.
• Definere en mutasjonsmekanisme mutate: Γ→Γ.

I mange tilfeller er kryssing og mutasjon ganske enkle algoritmer for å manipulere gener som numeriske sekvenser eller bitvektorer.

Den spesifikke implementeringen av en genetisk algoritme kan variere fra tilfelle til tilfelle, men den generelle strukturen er som følger:

1. Velg en startpopulasjon G⊂Γ
2. Velg tilfeldig en av operasjonene som skal utføres i dette steget: kryssing eller mutasjon
3. Kryssing:

• Velg tilfeldig to gener g₁, g₂ ∈ G
• Beregn kryssing g=crossover(g₁,g₂)
• Hvis fit(g)<fit(g₁) eller fit(g)<fit(g₂) - erstatt det tilsvarende genet i populasjonen med g.

4. Mutasjon - velg et tilfeldig gen g∈G og erstatt det med mutate(g)
5. Gjenta fra steg 2, til vi får en tilstrekkelig liten verdi av fit, eller til grensen for antall steg er nådd.

Typiske Oppgaver

Oppgaver som typisk løses med genetiske algoritmer inkluderer:

1. Optimalisering av tidsplaner
2. Optimal pakking
3. Optimal kutting
4. Akselerering av uttømmende søk

✍️ Øvelser: Genetiske Algoritmer

Fortsett læringen i følgende notatbøker:

Gå til denne notatboken for å se to eksempler på bruk av genetiske algoritmer:

1. Rettferdig fordeling av skatter
2. 8-dronningers problemet

Konklusjon

Genetiske algoritmer brukes til å løse mange problemer, inkludert logistikk og søkeproblemer. Feltet er inspirert av forskning som kombinerte temaer innen psykologi og informatikk.

🚀 Utfordring

"Genetiske algoritmer er enkle å implementere, men deres oppførsel er vanskelig å forstå." kilde Gjør litt research for å finne en implementering av en genetisk algoritme, for eksempel for å løse et Sudoku-puslespill, og forklar hvordan det fungerer som en skisse eller flytdiagram.

Quiz etter forelesning

Gjennomgang & Selvstudium

Se denne flotte videoen som forklarer hvordan en datamaskin kan lære å spille Super Mario ved hjelp av nevrale nettverk trent med genetiske algoritmer. Vi skal lære mer om hvordan datamaskiner lærer å spille slike spill i neste seksjon.

Oppgave: Diofantisk Likning

Målet ditt er å løse den såkalte Diofantiske likningen - en likning med heltallsrøtter. For eksempel, vurder likningen a+2b+3c+4d=30. Du må finne heltallsrøttene som tilfredsstiller denne likningen.

Denne oppgaven er inspirert av denne artikkelen.

Tips:

1. Du kan vurdere røttene å være i intervallet [0;30]
2. Som et gen, vurder å bruke listen over rotverdier

Bruk Diophantine.ipynb som utgangspunkt.

---